超参数决定了学习和对支持向量回归（SVR）的概括能力，通常在训练时是固定的。 因此，当将SVR应用于复杂的系统建模时，由于样本数据集的复杂分布，此参数固定策略使SVR陷入了选择严格参数或松弛参数的困境。 因此，在本文中，我们提出了一种灵活的支持向量回归（F-SVR），其中的参数适用于训练过程中的样本数据集分布。 F-SVR方法根据分布复杂度将训练样本数据集划分为多个域，并为每个域生成不同的参数集。 该方法的有效性在人工数据集上得到了验证，其中F-SVR在保持良好学习能力的同时，比常规SVR方法具

超参数决定了学习和对支持向量回归（SVR）的概括能力，通常在训练时是固定的。 因此，当将SVR应用于复杂的系统建模时，由于样本数据集的复杂分布，此参数固定策略使SVR陷入了选择严格参数或松弛参数的困境。 因此，在本文中，我们提出了一种灵活的支持向量回归（F-SVR），其中的参数适用于训练过程中的样本数据集分布。 F-SVR方法根据分布复杂度将训练样本数据集划分为多个域，并为每个域生成不同的参数集。 该方法的有效性在人工数据集上得到了验证，其中F-SVR在保持良好学习能力的同时，比常规SVR方法具