摘要：从支持向量域SVD（Support Vector Domain）出发，根据Takens延时相空间重构思想，利用支持向量机非线性映射，建立了混沌时间序列和混沌非线性相轨迹运动的SVD预测模型．采用数据集作为支持对象元素，机器自学习缩小模型泛化误差的上界，利用最小二乘支持向量域（SVD），预测了Henon／Lorenz／Rossler三种混沌时间序列．预测结果表明，三种预测模型将集合映射到一个更高维特征空间，通过嵌入维数，实现了序列预测。误差随嵌入维数变化趋于恒定，与支持向量机（SVM）相比，SVD所需支持向量少，收敛速度快，鲁棒性强，核函数选择容易灵活，且存在自适应方法．网格点数提高了10—20倍，序列预测在小样本、非线性、未知概率密度条件下，预测和实际值取得了一致．

关键词：支持向量域 混沌 最小二乘 时间序列预测 

单位：西安交通大学电子与信息工程学院; 西安710049; 西安交通大学生医所; 西安710049; 西安交通大学理学院; 西安710049