45年前F.Rosenblatt提出感知器模型以来,机器学习理论伴随着计算机技术的发展得到长足的进步。在经历一些挫折后,在80年代后向传播算法的提出使神经网络作为机器学习的一种方法得到广泛重视和推广。然而机器学习真正达到成熟应该是在进入90年代后统计学习理论被引入到机器学习领域。随着一种新的学习方法-支持向量机(SVM)的兴起,人们对机器学习有了新的认识,并且使其达到进一步的完善。本文在第一部分从方法论的角度简要阐述机器学习理论的发展历程和经验,而这些是目前研究者比较容易忽视的地方。随后对支持向量机及其相关理论作简要陈述。 支持向量机中的计算数学问题基本上关注于支持向量机二次规划问题的数值解法上。它和普通问题的根本区别在于:它的大量样本点形成的巨型矩阵使得二次规划无法在有限的时间空间内完成。本文第二部分对近年提出的数值解法作归纳总结。 在众多SVM解法中,AOSVR算法是近来提出的一种用于SVR在线算法。特别的,它比传统的批处理SVR更适用于时间序列预测。但它没有考虑如何选择影响SVR性能的参数C、ε以及核函数参数。V.Cherkassy基于SVR的统计特性提出一种参数选择方式,在批处理SVR中证明具有良好的可行性。本文在AOSVR中引入V.Cherkassy方法,形成自适应参数的AOSVR。通过在线调整SVR参数达到更好的预测精度和泛化能力。另外,针对股票市场特性,本文应用AOSVR的“忘记”阈值丢掉早期数据来集中刻画近期的股市特点。应用到上证综合指数构成的时间序列上,取得了良好的预测效果。