利用布谷鸟搜素优化算法实现支持向量机的参数寻优

该文件中包含了数据以及处理数据的代码，适合初学者学习。代码中包含读入数据，数据格式化，分为训练集和测试集，预测结果等代码。注意：读取数据时要把文件地址改为自己本机的文件地址。

#将SVM代码文件直接导，pycharm2017软件中，将data数据的路径在代码中进行修改 #fileIn = open('C:/Users/LENOVO/Desktop/SVM-master/datasets.txt') #open()进行文件的读取工作，直接修改路径即可，但是要注意绝对路径与相对路径的区分

针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。

双SVM 双支持向量机的MATLAB实现 参考文件： Jayadeva，Khemchandani，R。和Suresh Chandra。 “ ”关于模式分析和机器智能的IEEE事务29.5（2007）：905-910。

变压器绕组的热点温度过高，会导致变压器绝缘脆解、裂化甚至击穿短路。因此及时、准确地预测出变压器绕组的热点温度，对提高变压器运行的安全可靠性至关重要。利用最小二乘双支持向量回归机(LSTSVR)作为边缘计算模型，将变压器油中气体色谱分析数据信息与变压器负载电流、环境温度、顶层油温、上死角温度等变压器运行信息结合，构建监测系统架构，预测变压器的平均油温，并计算出绕组热点温度。将所提方法得到的数据与实测数据进行对比，结果利用LSTSVR模型实现了变压器平均油温及绕组热点温度的准确预测，且该模型的预测精度优于最小二乘支持向量回归机模型，有效地提高了绕组热点温度测量的精度。现场实例也证明了所提方法的有效性和可靠性。

MATLAB实现CNN-SVM卷积支持向量机多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

基于CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python） 卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python）

MATLAB实现CNN-SVM卷积支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

基于支持向量机的数据分类预测(libsvm)、