回归支持向量机在区域高程异常拟合中的应用

一、引言 上世纪90年代， Vapnik等人通过对机器学习的深入研究，将Vapnik本人创立的统计学习理论（Statistical Learning Theory，SLT）即有限样本学习理论，及相关概念-VC维（VC Dimension）、结构风险最小化准则（ Structural Risk Minimization， SR M）、核函数（ Kernel Function）引入到机器学习领域，提出了有限样本学习条件下，解决模式识别、回归分析问题时，通过黑箱模型建立“输入”和“输出”的“泛函”关系，并且使得模型具有较强“泛化”能力的支持向量机（Support Vector Machine，SVM）模型。空间高程异常拟合计算模型是以有限数量的已知点的大地经纬度（B,L）作为已知的输入量，空间点位的大高与该点的水准高的差值（H大地高-h水准高）作为输出量构成的分析样本，通过机器学习建立空间点位的大地经纬度（B,L）和该点高程异常值之间精确的“黑箱”关系，应用于空间样本点区域范围内及周边区域高程异常空间变化求解。