自带数据，SVM自选参数交叉验证分类，SVM分类器很好的例子。

SVM文本分类MatLAB源代码 为m-file格式

关于用SLLE提取特征，训练SVM分类器，对目标分类，对目标分类的一种新方法，流形学习的方法，一种很好用的目标分类的放大法

基于MATLAB的svm分类器代码实现基于MATLAB的svm分类器代码实现

代码注解详细，适合初学者读懂，压缩包内含两部程序，请仔细研读，OPENCV HOG特征+SVM分类器行人识别（从训练到识别）

实现数字识别，基于opencv2.3，首先读取训练样本，经过提取HOG特征，用SVM训练出分类器，保存分类器，进行预测识别。

提取均值信号特征的matlab代码使用 EEG 信号的 Python 情绪识别 该存储库包含使用小波变换和 svm 分类器的 rbf 内核进行情感识别的代码。 抽象的： 本文旨在提出使用脑电图 (EEG) 技术进行情绪识别。脑电图 (EEG) 是一种机器，它使用附着在头皮上的小金属盘（电极）来检测人脑中的电活动。 脑细胞通过电脉冲进行交流，并且一直处于活跃状态，即使在我们睡着时也是如此。 此活动在 EEG 记录上显示为波浪线。 数据集摘要 数据集包含下采样信号、预处理和分段版本的 EEG 数据在 Matlab（.mat 文件）中。 数据被下采样到 200Hz。 应用了 0-75Hz 的带通频率滤波器。 根据剪辑的持续时间提取脑电图片段。 总共有 45 个 .mat (Matlab) 文件，每个实验一个。 每名受试者进行 3 次实验，间隔约 1 周。 每个主题文件包含 16 个数组。 15 个数组包含一个实验中 15 次试验的分段预处理 EEG 数据（eeg_1~eeg_15，通道×数据）。 名为“labels”的数组包含相应情感标签的标签（-1 表示负面，0 表示中性，+1 表示正面）

自己训练SVM分类器进行HOG行人检测-附件资源

Two_stage_prediction_pipeline 两阶段预测管道包括用于非线性降维的神经网络组件，其后是SVM分类器

这里面有一些tmsvm的程序参数可供大家参考