学习支持向量机的必看内容，关于统计学习理论，某大学教授的PPT

目前基于人脸表情的情绪识别已经相对成熟，而根据人类肢体动作进行情绪识别的研究却不多。通过VLBP和LBP-TOP算子从三维空间中提取图像序列的肢体动作特征，分析愤怒、无聊、厌恶、恐惧、高兴、疑惑和悲伤七种自然情绪的特点，并用参数优化的支持向量机对情绪分类进行识别，识别率最高能够达到77.0%。实验结果表明，VLBP和LBP-TOP算子具有较强的鲁棒性，能有效地从肢体动作中识别人的情绪。

多元线性回归，支持向量机，随机森林，BP神经网络，LSTM回归预测模型

支持向量机(Support Vector Machine, SVM)是由Cortes(科尔特斯)和Vapnik(瓦普尼克)于1995年首先提出。 SVM在解决小样本、非线性等分类问题中表现出许多特有的优势，并能够推广到函数拟合等有关数据预测的应用中。

前言动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费

[ur,vr] = uvcurv2orth(x,y, u,v) 将曲线矢量场旋转到正交矢量场，输出是针对原始曲线位置计算的。 输入： x - 具有 x 个位置的二维数组（长） y - 具有 y 个位置的二维数组（纬度） u - 曲线方向 u 向量场v - 曲线方向 v 矢量场（1,1 是所有阵列的西南角） 输出： 输入数组大小的 u 和 v 数组以及正交网格上的向量分量（long 和 lat）

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

http://simulations.narod.ru/ 函数 random_unit_vector 生成随机向量。 矢量的数量和维度是可调的。 解压并运行测试脚本 zz_test_tmp.m。 它将 random_unit_vector 的结果与简单的generearion 进行比较： v= 2*rand(2,1)-1; n=v/sqrt(v(1)^2+v(2)^2) 这种简单的遗传方法有一个缺点：它是各向异性的。 在 2d 中，它的角度分布最大值为 45 135 225 315 度。 random_unit_vector 以另一种方式工作： v=randn; n=v/sqrt(v(1)^2+v(2)^2) 因为正态分布在许多维度中具有该参数的属性，所以组合成半径向量： f(x)=exp(-x^2); f(y)=exp(-y^2); F(x,y)=exp(-x^2)*exp(-y^2)

攻击路径管理（APM）影响力报告。 XM Cyber Research 团队对2021年攻击路径管理平台的分析和见解。影响力报告开始于仔细研究攻击路径的方法，然后揭示了攻击技术用于破坏组织间的关键资产的影响，无论是混合云，还是On-PREM还是多云架构。

支持向量机 (SVM) 是许多分类问题的有效模型。 然而，SVM 需要二次规划的解决方案，需要专门的代码。 此外，SVM 有很多参数，影响了 SVM 分类器的性能。 最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。 在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。 在本文中，已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。