文中介绍了一个利用数据库中的大量数据进行决策的方法。对于仅涉及数据库中部分数据的问题，对数据库中与当前问题相关的数据采用具有强泛化能力的支持向量机方法学习分类规则和回归函数，完成对当前问题的分类和估值。支持向量机算法用非线性映射把数据映射到一个高维特征空间，在高维特征空间进行线性分类和线性回归，将原问题转化为一个凸次优化问题。上述算法实现了一个隧道工程支护设计系统，并取得了较好的效果。

支持向量机(support vector machine，简称SVM）是一种基于结构网络最小化原理的分类技术，也是一种新的具有很好泛化性能的回归方法。提出了一种将回归问题转化为分类问题的新思想。这种方法具有一定的理论依据，与SVM回归算法相比，其优化问题几何意义清楚明确。

针对支持向量机应用于函数估计支持向量过多所引起的计算复杂性，提出一种简化算法，可以大幅度地减少支持向量的数量，从而简化其应用，采用简化算法还可以将最小平方支持向量机算法和串行最小化算法结合起来，达到学习效率高且生成的支持向量少的效果。

支持向量机（SVM）回归理论与神经网络等非线性回归理论相比具有许多独特的优点，讨论了建模中SVM核函数，损失函数的选取和容量控制等问题，并用实验加以验证，将SVM回归动态建模理论应用于非线性，时变，大时延温室环境温度变化的建模和预测，模型简单，预测效果好。