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。

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

machine_learning 一个Matlab应用，使用支持向量机对图片进行分类，其中图片是猫脸还是狗脸 ＃数据集 为了训练分类器，我使用了来自 张维伟，孙健和唐小鸥，“猫头检测-如何有效利用形状和纹理特征”，Proc。 欧洲Conf。 计算机视觉，第一卷。 4，第802-816页，2008年。 和来自的斯坦福狗数据集 ＃托多斯 由于猫或狗之间难以分辨，因此需要预先修剪脸部以获得最佳效果。 可能没有第三个值，然后搜索猫脸或狗脸的图片（分解成窗户）。 或者只是狗或不面对，等等。 #Cat注释数据集 ＃＃＃结构 |-- cat_dataset |-- CAT_00 |-- 00000001_000.jpg |-- 00000001_000.jpg.cat |-- 00000001_005.jpg |-- 000

matlab-最小二成支持向量机（LSSVM）手册，26页

支持向量机人工智能代码，可以通过调用不同的核函数，对代码进行修整。

支持向量机的matlab程序代码，内附有详细的注释。数据文件为txt格式的。