超参数决定了学习和对支持向量回归（SVR）的概括能力，通常在训练时是固定的。 因此，当将SVR应用于复杂的系统建模时，由于样本数据集的复杂分布，此参数固定策略使SVR陷入了选择严格参数或松弛参数的困境。 因此，在本文中，我们提出了一种灵活的支持向量回归（F-SVR），其中的参数适用于训练过程中的样本数据集分布。 F-SVR方法根据分布复杂度将训练样本数据集划分为多个域，并为每个域生成不同的参数集。 该方法的有效性在人工数据集上得到了验证，其中F-SVR在保持良好学习能力的同时，比常规SVR方法具

支持向量回归(Support vector regression,SVR)的学习性能及泛化性能取决于参数设置.在常规方法中,这些参数以固定值形式参与运算,而当面对复杂分布的数据集时,可能无法挑选出一组能够胜任各种分布情况的参数,参数设置需要在过拟合和欠拟合之间进行取舍.因此,本文提出一种能够根据样本分布进行参数自我调整的柔性支持向量回归算法(Flexiblesupport vector regression,F-SVR).该算法根据样本分布的复杂度,将训练样本划分为多个区域,在训练过程中,F-S