近年来，基于统计学习理论而发展起来的支持向量机理论在复杂产品寿命周期费用估算中也逐渐突显出很大的应用价值。支持向量机的提出受到国内外的广泛关注。先前涌现出许多令人瞩目的理论研究成果，这些是为之后的应用研究打下了坚实的基础。如Weston et al.（1998）和Vapnik（1995，1998）等研究了支持向量机的泛化性能及其在多值分类和回归问题的扩展问题[6]；Smola（1998）和Schoelkopf（1999）提出了支持向量机一般意义下的损失函数数学描述。之后继续深入研究支持向量机，便有了Smolaetal.（1999）提出的用于分类和回归支持向量机等一些变种支持向量机。27038

支持向量回归机在其理论和算法实现方面在近些年都取得了突破性的进展。由于支持向量机的完善的理论基础和良好的特性，在小样本，非线性等方面有良好的支持性，人们对其进行了广泛的研究和应用。研究的方面涉及到分类、回归、聚类、时间序列分析、异常点检测等。具体的研究内容包括建立模型、统计学习理论基础，改进相应优化算法，以及支持向量回归机算法的实际应用。支持向量回归机经过发展和逐步改善，已有了许多研究工作，并都有一定成果。比如产量预测模型、流程型企业决策支持系统模型都取得了不错的效果。还可以将支持向量回归算法引入到其他模型中，比如引入到短期负荷快速预测模型中，可以得到更快的计算速度和较好的预测结果。股票价格预测模型也是将支持向量理论引入到ARIMA模型中，就可以产生一种新型的非线性回归方法，论文网可以在股票价格预测上得到良好效果。武涛等[7]将支持向量机理论应用于军用无人机研制费用的预测，并在缺乏样本条件下与BP神经网络，RBF网络和线性回归预测结果比较表明其预测的准确度更高，证明了支持向量机在小样本条件下的适用性。从岩[8]将主成分分析法与支持向量机相结合对设备费用建立回归估算模型，通过减少费用影响因素的数量来减小非线性数据带来的不确定性，并以实例验证该方法的可行性。可见，在小样本费用估算问题上，支持向量回归机表现出其优越性能，本次研究就是对此问题的研究和实现。 支持向量回归机（SVR）的国内外发展研究现状: