从网上收集的质量高的SVM资料合集，并且根据自己的学习经验给出大量注释，同时通过txt文件给出学习路线（阅读各文档的先后顺序）以及各文档的依附关系。使得读者快速入门

基于MATLAB的交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

可以运行的代码！蜣螂优化算法（DBO）优化支持向量机（SVM），能够很好的进行分类或者预测，并且该算法是今年提出的，非常好用，值得推荐和写论文

利用C++实现支持向量机，参考下，参考下

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

rpca matlab代码稀疏数据的快速随机PCA算法程序 最新更新提示： 1.我们将编译文件修改为更简单的版本。 用户可以使用“ source compile.sh”并选择“ icc”或“ gcc”编译器来编译程序。 2.我们在代码中添加了传递参数“ q”的注释，传递参数q应该大于1，并且q次传递等于（q-2）/ 2次幂迭代。 1.主要算法 1.matlab / eigSVD.m ----通过Matlab的[1]中的特征分解来进行经济/截断奇异值分解的算法，参数k用于截断奇异值分解 2.matlab / frPCA.m ----由Matlab在[1]中实现的用于稀疏数据的快速随机PCA算法，参数模式用于初始数据矩阵的不同大小 3.icc / frpca.c ---- [1]中的frPCA和frPCAt算法是通过ICC和OpenMP实现的，[2]中的基本rPCA包含在文件中。 2.测试实验 （1）ICC编译器或MKL库需要Intel MKL [3]的支持，并且在准备好所有内容后，运行“ source compile.sh”并选择编译器（“ icc”或“ gcc”），然后可执行程序将被编

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

PCA用于人脸识别的预处理，无监督的降维，附带通用的ORL人脸数据库和快速PCA的代码。文件可以通过改成txt后缀打开。

这个包的目的是实现基于 PCA 的人脸识别（Eigenfaces 技术）。 使用的人脸数据集是 ORL AT&T 剑桥实验室 ( www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip )。 此数据集以 mat 格式 (ORL_FaceDataSet) 附在此处。 在这方面，该软件包可作为学生和研究的实践指南，脚本中提供了许多详细信息。