多输入多输出非线性系统的最小二乘支持向量机广义逆控制

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型,通常难以建立精确的数学模型,相比之下构建其模糊模型是一个有效途径.本文研究了相关向量机(Relevance vector machine,RVM)与模糊推理系统(Fuzzy inference system,FIS)之间的内在联系,证明了基于RVM的FIS具有一致逼近性,并提出了一种基于RVM和梯度下降(Gradient descent,GD)算法的模糊模型辨识方法.基于所给出的模糊模型辨识方法提出了一种新的故障预报算法.仿真结果表明所建立的模糊模型不仅结构更加简单,而且能达到更高的预测精度,所提出的故障预报算法能准确地预报系统故障.

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.

自适应中心化支持向量机及其在微阵列分类中的应用

为了从高分辨率遥感影像中高精度的提取各种工业固体废物，提出了基于支持向量机（ＳＶＭ）的工业固体废物特征快速提取算法，首先对遥感影像进行各向异性扩散滤波，然后针对高分辨率遥感影像信息量丰富和工业固体废物堆复杂度高的特点，提出基于1-v-1的SVM的多种工业固体废物的多分类策略，在提高精度的同时，兼顾了工业固体废物特征识别的效率。研究结果表明：ＳＶＭ对工业固体废物判别能力比常规方法有更强的优势，从遥感影像中不仅能准确地辨别出工业固体废物堆的线形特征，还能识别出其材质和类型；该算法能同时识别出多种工业固体废物，执行效率更高。

支持向量机的实现代码，用c语言编写，有源码和例子，是学习模式识别的难得的资源 支持向量机的实现代码，用c语言编写，有源码和例子，是学习模式识别的难得的资源

最小二乘支持向量机代码，多分类 ，matlab，可运行，代码规范，清晰易用

输入数据描述：轴承故障数据，故障有十类，利用滑动窗口进行数据采样，一个样本大小为1024，每类故障有1000个样本，总共10000个样本，输入数据形式为10000x1024，相当于1024个变量，标签采用one-hot编码， 参数调整：gamma：惩罚参数（自己调参），kernel：核函数（自己选择） sigma：核函数宽度（自己调参）

人脸图像数据集 olivetti_py3.pkz，该数据集一共有 400 张人脸图片，每张图片的大小是：64x64，每张图片作为一个样本，一共有 400 个样本，每个样本的特征维度是：64x64 = 4096；400 张图片一共包含 40 个不同的人，每个人有 10 张人脸图片

MATLAB工具箱大全-相关向量机工具箱