支持向量机和BP神经网络都可以用来做非线性回归拟合，但它们的原理是不相同的，支持向量机基于结构风险最小化理论，普遍认为其泛化能力要比神经网络的强。大量仿真证实，支持向量机的泛化能力强于BP网络，而且能避免神经网络的固有缺陷——训练结果不稳定。本源码可以用于线性回归、非线性回归、非线性函数拟合、数据建模、预测、分类等多种应用场合，GreenSim团队推荐您使用。

单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network, SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，但传统学习方法的速度远远不能满足实际的需要，成为制约其发展的主要瓶颈。产生这种情况的两个主要原因是：（1）传统的误差反向传播方法(back propagation，BP)主要基于梯度下降的思想，需要多次迭代；（2）网络的所有参数都需要在训练过程中迭代确定。因此算法的计算量和搜索空间很大。针对以上问题，借鉴ELM的

针对利用无线充电装置为井下无线可充电传感器网络进行能量传输的场景，将充电装置的部署转化为充电覆盖问题，并结合充电模型建立了最优充电覆盖模型。为求得最优充电覆盖模型的近似最优解，提出了一种基于网格划分的无线充电装置部署算法。该算法通过网格划分及扫描的方式确定充电装置的最优位置，在满足所有传感器节点充电覆盖的同时，最小化充电置的数量。