经济预警是经济学中的重要研究领域,国内外实际应用的预警方法很多,但大部分是依赖于专家经验或统计模型,难以真实反映经济系统的非线性本质。本论文的研究工作主要是安徽近十年的经济数据,利用粗糙集的知识对指标进行选择,然后利用泛化性能好、能够很好的解决非线性问题的支持向量机对约简后的指标建立预测模型,对未来一年的数据进行预测,并用基于覆盖的构造性神经网络模型建立警情识别模型,从而提出了一种基于支持向量机和覆盖算法的经济预警模型,为动态经济预警提供了新途径。　　具体的研究工作如下:　　1.介绍了粗糙集理论的基本知识和知识约简方法,我们利用粗糙集理论在保持知识可靠度不变的前提下,通过属性约简,删除一些冗余属性,对预警指标体系进行选择,降低数据维数,使得以后的支持向量回归和覆盖算法的参数训练和学习负担大大降低了,从而提高了整个网络的运行效率。　　2.由于经济数据波动大,有着非线性和不确定性特点,一般的线性回归很难准确的预测经济,即使有些工作者对线性模型进行修正,如:建立分段线性模型和变参数线性模型等,结果仍然不理想。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理的基础上,根据有限的样本信息在模型的复杂性和学习能力寻求最佳折衷,以期获得最好的推广能力。本文正是利用支持向量机泛化性能好,解决非线性问题好等优点,根据安徽近十年的经济发展的实际数据,建立了基于支持向量回归的各指标预测模型,对安徽经济指标进行预测,得到了很好的预测结果。　　3.介绍了覆盖算法背景,几何意义以及交叉覆盖和领域覆盖算法,由于覆盖算法克服了传统神经网络中网络结构难以确定,运行速度慢,局部极小等问题,很好的解决了大量数据分类处理问题。利用构造性覆盖算法和1998年到2006年安徽经济运行的月度数据建立经济运行警情判别模型。　　4.利用所建立的模型,对2007年安徽经济月度运行进行实证分析,结果显示本文所建立的预警模型具有较高的运行速度和精度。并对2008年的经济运行趋势进行预测,预警,预警结果表明安徽未来半年的经济综合指数都趋于过热状态。　　从本文可以看出,将粗糙集,支持向量机,覆盖分类结合起来对大量经济数据进行处理和预测以及预警有着运行速度快,预测精度高,预警效果好等特点。因此将粗糙集,支持向量机,覆盖分类结合起来会更有利于经济上的分析。