孪生支持向量回归机算法是在Jayadeva等提出的孪生支持向量机(TSVM)基础上研究的一种新回归算法,并成功地应用于模式识别、语音识别、图像处理等领域。TSVM的基本思想是构造一对非平行的超平面,它们分别确定目标回归函数的不敏感上、下界函数,最终目标函数取为上、下界函数的平均值。孪生支持向量回归(TSVR)的原理和TSVM的类似,但是TSVR在算法效率等方面还存在着改善的空间,针对这些问题,本文做了系统的研究,以下是主要研究内容:有学者通过在TSVR中添加一个正则项提出了ε-TSVR算法,与传统的TSVR相比,此算法不仅考虑了经验风险最小化还考虑了结构风险最小化,但是它却没有考虑到样本的位置特征。针对此缺点,本文通过添加小波权重矩阵D,对位置不同的样本点给出不同的惩罚,提出了一种基于小波权重的ε-孪生支持向量回归机模型(WW-ε-TSVR)。为了去掉约束条件,在原始空间求解,我们引入了加函数,但由于加函数不能求导,所以通过引入三种光滑函数来代替非平滑的加函数,这样可以直接在原始空间解决一对无约束最小化问题,这比在对偶空间求解要快速许多。最后为了求解这对无约束最小化问题,我们将牛顿迭代法和广义梯度迭代法运用到每个平滑函数中以求得近似解,并给出几种更详细的算法。人工数据集和UCI数据集的实验结果表明我们提出的方法不仅比其他方法,如TSVR和ε-TSVR,拥有更好的泛化性能,而且计算时间所需较少,因此明确表明了我们的方法的有效性和适用性。