通过对同步采集的点焊焊接过程动态电阻、电极位移信号的特征分析,提取出若干特征参量,依据所提取特征参量与焊点接头抗剪强度之间的相关性分析结果,选取相关系数较大的6个特征参量建立数据集作为SVM的输入,分别利用线兴函数、多项式核函数、RBF核函数实现监测参量与焊点强度之间的映射.采用交叉有效性检验对不同核函数下预测结果进行比较,结果表明,RBF核函数支持向量机各项预测误差最小,有较好的应用前景.

Incremental SVM 可实现SVM的在线学习功能

【SVM分类】基于自适应蚁狮算法优化SVM分类器实现胃肠道病变附matlab代码

python实现PCA故障监测

有关svm学习的 一些东西 osu_svm3.00 国外人开发的svc学习工具matlab包

matlab中svm图片分类代码变形零件描述符（DPD） 该代码与ICCV 2013论文《可变形零件描述符》一起用于细粒度识别和属性预测。 === 用户配置 [TODO：简化这些目录路径以最小化用户设置] 在dpd_set_up.m ： scratchdir = /scratch % for KDES features, DPD features, etc if strcmp(database, ' bird ' ) dataset_base = /path/to/CUB200- 2011 % you edit this elseif strcmp(database, ' cub200 ' ) dataset_base = /path/to/CUB200- 2010 % you edit this elseif strcmp(database, ' human ' ) dataset_base = /path/to/berkeley-human-attributes-dataset % you edit this end === 运行DPD + DeCAF演示 这是使用具有DeCAF卷

SVM 训练数据

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。

BB-SVM模型用于论文数据集的自动人格检测（大五人格标记特征） 该存储库包含基于BERT模型的Bagging SVM，用于对Essays数据集进行分类。 安装 有关可以通过以下方式安装的相关软件包的列表，请参阅requirements.txt。 pip -r requirements.txt 本文使用指定的版本。 请注意，需求模块的更新版本可能会更改结果。 一些实验证明，更新的sklearn可以提高准确性。 但是，还请检查按需要求（例如，要求1.10 3.8

基于MATLAB的太阳能电池板缺陷检测系统（GUI）主要针对倾斜的光伏电池板组件照片，应用直方图自适应二值化和透视变换技术进行图像校正，提取行列特征后通过FFT频谱分析出晶片的行列排布进行图像分割，可分别应用非线性SVM与DenseNet对分割照片进行训练以实现缺陷检测。