5）粗糙集与支持向量机的结合[7]。利用了粗糙集理论对训练和预测数据的属性进行了简约化，这种方法可以一定程度上减少支持向量机的求解计算量，提高支持向量的收敛速度，更快得出结果。

除了以上几种改进的支持向量机，近些年来，更多的基于支持向量机的改进算法不断被研究人员开发出来，现在支持向量机已经发展成为了一门比较成熟的技术，广泛的应用于人工智能，模式识别，回归预测等方方面面。而SVR就是支持向量机在回归预测方面的应用成果，SVR是基于SVM的一种回归预测方法，一般来说，SVM是根据训练样本产生的模型，对数据集进行分类，而通过SVM的算法可知，SVM不仅能够对数据集进行分类，稍作修改，它还能对数据集进行预测，也就是说预测可以用分类算法的改进来算。

另外令人可喜的是，台湾大学的林智仁教授等人设计开发了一个简单的，容易使用的SVM模式识别与回归软件包[8]，叫LIVSVM。其官网上提供了源代码包的下载，里面包含各种语言的源代码，还有可以直接在windows下直接运行的可执行程序，由于有源代码，改进和修改起来以及让其在其他操作系统上运行起来也比较方便。该SVM软件包对于SVM所涉及的参数调节比较少，里面提供了很多的默认参数，一般来说，这些默认参数可以解决很多分类以及回归问题。通过这个软件包，我们可以很好的使用SVM来进行分类和回归运算，本文对于SVR改进算法的研究也是使用这个软件包。