基于svm的情感识别系统，有gui界面，特征提取是用mfcc,matlab源码

基于SVM与人工神经网络的车牌识别算法，使用了OpenCV的图像处理函数，在VS2013 + OpenCV 2.4.9平台上实现

这段代码实现了一种新的 MLP 神经网络训练方法，称为支持向量神经网络 (SVNN)，在工作中提出：O. Ludwig； “以神经网络和级联分类器为重点的快速模式识别非参数方法研究；” 博士论文，科英布拉大学，科英布拉，2012 年。 输入参数是 L 个代表 N 元素输入向量的 N x L 矩阵，行向量 y，其元素是各自的目标类，应该是 -1 或 1 ，以及隐藏神经元的数量nneu。 与 SVM 类似，SVNN 有一个惩罚参数 C，可以在代码的第 16 行设置。 该算法输出 MLP 参数 W1、W2、b1、b2，它们是 MLP 模拟器“sim_NN.m”的输入参数，它还需要测试数据矩阵以及目标向量（如果目标不可用，必须提供空向量）。 “sim_NN.m”输出估计的类别和准确度，acc（当测试目标可用时）。 该代码是为在四核处理器上运行而开发的。 在双核或单核处理器的情况下，第 53 行和第

基于SVM与CNN的ECG信号心律失常诊断论文

基于SVM的频谱感知方法

基于SVM的分类预测

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

本资源包含鸢尾花训练数据和源代码，代码注释详细，可用于小白初学机器学习

在Bagging支持向量机（SVM）的基础上，将动态分类器集选择技术用于SVM的集成学习，研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性，通过随机选取特征子空间和反馈学习改进了Bagging SVM方法；通过引进加性复合距离改善了K近邻局部空间的计算方法；通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明，与单个优化的SVM和其他常见的SVM集成方法相比，改进后的SVM动态集成分类精度最高，能有效地提高高光谱遥感图像的分类精度。

matlab支持向量机SVM葡萄酒分类程序