基于支持向量机的数据回归预测(SVM) (Matlab完整程序和数据) 基于支持向量机的数据回归预测(SVM) (Matlab完整程序和数据) 基于支持向量机的数据回归预测(SVM) (Matlab完整程序和数据) 运行版本2018及以上
基于支持向量机的时间序列预测(SVM) (Matlab完整程序和数据) 基于支持向量机的时间序列预测(SVM) (Matlab完整程序和数据) 基于支持向量机的时间序列预测(SVM) (Matlab完整程序和数据) 运行版本2018及以上
基于AR模型和支持向量机的转子系统故障诊断方法,于德介,陈淼峰,提出了基于AR模型和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号建立AR模型,以AR模型主要的自回归参数和残差的
2022-11-27 15:34:10 344KB 首发论文
1
机器学习与数据挖掘实验四:基于特征工程的支持向量机分类实验,特征为HOG,LBP,GLCM,分类器SVM,包括了数据集,python原码。
2022-11-21 15:26:30 80.89MB 机器学习 分类算法 支持向量机
1
铅酸蓄电池应用广泛,准确检测其剩余容量是电池管理系统中的重要一环。 提出将蓄电池开路电压、温度和内阻 三个状态指标作为联合检测量,结合基于 GAPSO- LSSVM 算法对剩余容量进行检测。 在 LSSVM 算法中引入 PSO 算 法对其惩罚参数和核函数参数进行寻优,避免人为因素干扰,提高了精度。 然后再引入 GA 算法,解决了 PSO 算法易局 部收敛的问题,进一步提升了精度。 最后,MATLAB 仿真验证了基于 GAPSO- LSSVM 的联合检测算法在蓄电池剩余容 量的检测方面效果良好,平均误差百分比可以控制在 3%以内,具有极大的实际应用意义。
2022-11-19 22:02:04 2.55MB GAPSO 支持向量机
1
分类算法(决策树、支持向量机)建立决策函数,然后判断如下数据的类别。 (青年,是,否,非常好)请按列表写结果并附加程序和运行结果。
2022-11-19 14:25:11 3KB 机器学习 决策树 svm 支持向量机
1
利用模糊集理论(FS),区间值模糊集理论(IVFS)和非并行支持向量机理论(NPSVM),模糊非并行支持向量机(F-NPSVM)和区间值模糊非并行支持向量机。 (IVF-NPSVM)已构建。 F-NPSVM和IVF-NPSVM都在模型中考虑了训练点的隶属度,区别在于确定训练点的方法。 在人工数据集和基准数据集上的实验表明,使用F-NPSVM和IVF-NPSVM进行的大多数分类结果比NPSVM,支持向量机(SVM)更为准确。 ,区间值模糊支持向量机(IVF-SVM),广义特征值近端支持向量机(GEPSVM)和双支持向量机(TWSVM)。 最后,使用Friedman检验来验证两个新模型与以前的模型之间存在显着差异。
2022-11-18 22:19:30 389KB Classification fuzzy interval-valued fuzzy
1
除了在Matlab中使用PRTools工具箱中的svm算法,Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法,本文的运行环境是Pycharm。 一、导入sklearn算法包   Scikit-Learn库已经实现了所有基本机器学习的算法,具体使用详见官方文档说明   skleran中集成了许多算法,其导入包的方式如下所示,   逻辑回归:from sklearn.linear_model import LogisticRegression        朴素贝叶斯:from sklearn.naive_bayes import Gaussian
2022-11-18 16:44:31 178KB matlab函数 python python函数
1
支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)
2022-11-11 16:30:43 2KB 机器学习 支持向量机 SVM
1
这里将加载iris数据集,创建一个山鸢尾花(I.setosa)的分类器。 # Nonlinear SVM Example #---------------------------------- # # This function wll illustrate how to # implement the gaussian kernel on # the iris dataset. # # Gaussian Kernel: # K(x1, x2) = exp(-gamma * abs(x1 - x2)^2) import matplotlib.pyplot as plt import nump
2022-11-10 16:19:10 138KB iris ns OR
1