处理不平衡数据分类时，传统支持向量机技术（SVM）对少数类样本识别率较低。鉴于SVM+技术能利用样本间隐藏信息的启发，提出了多任务学习的不平衡SVM+算法（MTL-IC-SVM+）。MTL-IC-SVM+基于SVM+将不平衡数据的分类表示为一个多任务的学习问题，并从纠正分类面的偏移出发，分别赋予多数类和少数类样本不同的错分惩罚因子，且设置少数类样本到分类面的距离大于多数类样本到分类面的距离。UCI数据集上的实验结果表明，MTL-IC-SVM+在不平衡数据分类问题上具有较高的分类精度。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

SVM分类算法处理高维数据具有较大优势，但其未考虑语义的相似性度量问题，而LDA主题模型可以解决传统的文本分类中相似性度量和主题单一性问题。为了充分结合SVM和LDA算法的优势并提高分类精确度，提出了一种新的LDA-wSVM高效分类算法模型。利用LDA主题模型进行建模和特征选择，确定主题数和隐主题—文本矩阵；在经典权重计算方法上作改进，考虑各特征项与类别的关联度，设计了一种新的权重计算方法；在特征词空间上使用这种基于权重计算的wSVM分类器进行分类。实验基于R软件平台对搜狗实验室的新闻文本集进行分类，得到了宏平均值为0.943的高精确度分类结果。实验结果表明，提出的LDA-wSVM模型在文本自动分类中具有很好的优越性能。

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。

主要功能： 1、支持单值分类和二值分类的超球体构建 2、支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3、支持 2D 或 3D 数据的决策边界可视化 4、支持基于贝叶斯超参数优化、遗传算法和粒子群算法的 SVDD 的参数优化 5、支持加权的 SVDD 资源使用事项： 1、提供了多个示例文件，每个文件的开头都有对应的介绍 2、需要 R2016b 以上的 MATLAB 版本 3、内含详细的使用说明 4、主要用于单类(One-class)分类问题得的研究。对于单分类任务。不是分类问题以“区分不同的类”为目标，也不是回归问题以“对每一个样本产生一个期望输出”为目标，而是给出一个关于训练样本集的描述，同时检测哪些与这个训练样本集相似的(新的)样本。该描述应该覆盖代表训练样本集的样本类，同时，在理想情况下，该描述应该能够将样本空间中其它所有可能的异常样本排除在外。

该工具箱主要用于商业用Matlab软件包使用。Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。大部分函数可以处理的数据集可高达20，000或更多点的数据。LS- SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。

其中关于PSO部分的书写，已经进行了封装，可以进行通用，用于其他模型的优化。该资源实例主要用于优化支持向量机回归算法中的惩罚参数C、损失函数epsilon、核系数gamma进行调参

支持向量机的matlab工具箱，无需安装，无需编译，直接使用。其中svmtrain 和svmpredict 函数分别用于训练和预测。

针对目前学术界主流的基于内容提取音乐结构开销过大和产生冗余碎片的问题,提出通过歌词分析对音乐结构进行自动提取,同时结合基于内容的SVM分类,以歌曲节拍为单位进行有无人声的判别,进一步对歌词提取的边界进行校正,精确了音乐结构的边界点。在相同数据集上的实验中,这种歌词与内容分析相结合的音乐结构提取算法对桥段和尾奏的分析准确率分别提高了9%和11%。

特征选择+分类