提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。

学习SVM 的很好的文档，可以好好交流一下

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

全网最细，作者原创 本资源作者进行了为期一个月的闭关写代码，耗费了大量心血，希望对各位同僚有所帮助 包括 1. 通过高德地图对石家庄本地数据，如各类奶茶店、学校、写字楼、地铁站、火车站、公交车站数据的爬取 2. 对数据进行清洗分类 3. 对地区进行网格划分 4. 对网格内各类数据进行统计形成训练数据集 5. 对训练数据集采用严格的机器学习流程进行清洗 6. 基于SVM模型，对地区内网格进行预测 7. 在地图上可视化输出结果 如有问题，各位可以私信我，我将耐心解答 欢迎大家持续关注我的博客！

hog特征提取matlab代码BacteriaImageProcess 这是为了我们的项目：分割细菌图像并识别该图像中的细菌种类。 从本质上讲，这是对细菌数据的深度学习应用程序。 我们在matlab中实现了卷积RBM，以完成我们的任务。 cdbn-github是使用卷积RBM进行无监督特征学习的代码，我们使用GMM / BMM进行初始化，这可以缩短训练过程。 在特征提取之后，我们利用liblinear工具箱进行监督分类。 我们项目的第一部分在cdbn文件夹中，在其中展开了所有代码，包括我编写的CRBM代码。 编写GMM来初始化第一层，使用BMM来进行第二层的初始化。 （请注意，初始化非常重要，有关更多详细信息，请参阅Sohn等人的论文：“有效学习稀疏，分布式，卷积特征表示以进行对象识别。” Aslo，要训练卷积深度信念网络，您可以进行分层预训练，这意味着首先训练第一层，训练后冻结第一层的参数，然后训练第二层....） 在第二部分中，我们尝试识别此图像中的细菌种类，因此我们手动标记前景斑块，并将其标记为17类，因为一些毗邻的斑块涉及物种和背景，因此我们也将它们考虑在内，因此，共有18个课

我自己实现的灰度共生矩阵提取结肠癌图像特征，并利用计算机辅助诊断的方法SVM分类Matlab代码。 我自己实现的灰度共生矩阵提取结肠癌图像特征，并利用计算机辅助诊断的方法SVM分类Matlab代码。

svm支持向量机python代码，代码有详细的注释，排版整洁，没有使用sklearn相关库，从底层实现SVM算法。

1引言据美国疾病控制预防中心的数据，现在美国 1/7 的成年人患有糖尿病。到2050 年，这个比例将会快速增长至高达 1/3。我们在 UCL 机器学习数据库里一

花了好长时间写的svm多分类 具体的使用在百度上 这个辛苦分应该给的吧 谢谢啦 花了好长时间写的svm多分类 具体的使用在百度上 这个辛苦分应该给的吧 谢谢啦

通过对同步采集的点焊焊接过程动态电阻、电极位移信号的特征分析,提取出若干特征参量,依据所提取特征参量与焊点接头抗剪强度之间的相关性分析结果,选取相关系数较大的6个特征参量建立数据集作为SVM的输入,分别利用线兴函数、多项式核函数、RBF核函数实现监测参量与焊点强度之间的映射.采用交叉有效性检验对不同核函数下预测结果进行比较,结果表明,RBF核函数支持向量机各项预测误差最小,有较好的应用前景.