提出了一种相空间重构与贝叶斯框架下的LS-SVM预测矿井涌水量的方法,矿井涌水量具有混沌特征,利用相空间重构,找出矿井涌水量时间序列隐藏的演化规律,作为输入参量,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选,运用LS-SVM将非线性问题转化为高维特征空间的线性问题进行求解。利用典型的Lorenz生成的时间序列进行仿真,选择2004年8月-2005年2月的矿井涌水量数据进行验证,结果表明该方法可行并具有较高的精度。

基于支持向量机的商业银行信用风险评估模型，刘闽，林成德，本文将支持向量机（Support Vector Machine，SVM）用于建立商业银行的信用风险评估模型。通过与MDA以及神经网络模型的比较，证实了该方法�

支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik8等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

文本分类，

参考学习

针对神经网络存在的过学习、欠学习、局部极小值等问题,提出了一种基于支持向量机(SVM)的数字调制方式的识别方法。从信号的瞬时幅度,瞬时相位,瞬时频率,频谱,包络变化等特性中提取了7个特征参数,用于训练支持向量机。运用二叉树理论设计多类分类器,与已有算法相比,具有简单、高速、高精度的特点。仿真结果证明,在高斯白噪声(AWGN)下,当信噪比大于15dB时,对2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK调制方式的识别率可以达到97%以上。

【预测模型】基于蚱蜢算法优化支持向量机实现预测分类模型matlab源码.md

从UCI机器学习资源库中下载Musk数据集。在此数据集上分别使用PCA和SVD方法进行特征提取，并报告获得的特征值以及特征向量结果，对数据属性进行分析，使用盒图分别对获得的最优属性进行分析和对比。 import pandas as pd import os from numpy import * import numpy as np import matplotlib.pyplot as plt import seaborn as sbn sbn.set(color_codes = True) plt.rcParams['axes.unicode_minus'] = False from scipy.stats import kstest from sklearn.preprocessing import LabelEncoder from sklearn import preprocessing import pyecharts from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D

我国顺酐市场分析及其消费量的支持向量机预测，冯详立，王洪礼，通过对我国1995年至2005年顺酐消费量数据的特征分析，运用支持向量机理论对我国 “十一五”期间的顺酐消费量进行了预测。

CRC = crc32(DATA) 计算存储在向量 DATA 中的数据的 CRC-32 校验和值。 DATA 的元素被解释为无符号字节 (uint8)。 结果是一个无符号的 32 位整数 (uint32)。 多项式位位置已反转，并修改了算法，以提高性能。