本程序应用SVM为基础，核函数采用高斯核函数，数据为手写数字数据1和9，用smo加速算法，识别正确率达99.4%，而且我博客有讲解

Garbor 滤波器提供了良好的时频定位，并已用于多种模式识别应用。 这在信号处理应用中很有用。

针对产品销售时序具有多维度，非线性的特征，通过设计了一种扩展的RBF核函数，将其应用于支持向量机中，得到一种扩展的RBF核支持向量机(ERBF-SVM: Expanded Radial Basis Function - Support Vector Machine)；同时设计了一种改进的免疫优化算法对其参数进行寻优。 该方法被应用于汽车销售预测实例中，并与BP神经网络(BPNN)、采用一般RBF核的支持向量机(v-SVM: v-Support Vector Machine)及多尺度支持向量机（MS-SVM: Multi-scale support vector machine）进行了比较。 实验结果表明本文提出的方法是有效可行的，所获方法的预测精度优于参与比较的其它三种方法

此平滑功能的优点在于它不需要任何参数-它可以自行找到最佳参数。 对于 100 个样本，计算仍然只需一秒钟。 此代码使用高斯核实现 Nadaraya-Watson 核回归算法。 回归的最佳设置是通过封闭形式的留一法交叉验证得出的。

非参数回归广泛应用于许多科学和工程领域，例如图像处理和模式识别。 非参数回归即将估计一个随机变量的条件期望： E(Y|X) = f(X) 其中 f 是一个非参数函数。 基于核密度估计技术，该代码实现了所谓的 Nadaraya-Watson 核回归算法，特别是使用高斯核。 回归的默认带宽来自文献中建议的高斯核密度估计的最佳弯曲宽度。 代码还可以处理丢失的数据。

利用高斯核函数来表示两者的相关性，通过高斯滤波的呈像图来说明此关系；

C++实现高斯平滑处理，建立三维高斯核，对各类图像起到平滑滤波的作用

将2D高斯核函数根据非正交方向进行分解，得到一维的x轴和其他方向的高斯函数，通过统计学方法，将分解的高斯函数与卷积滤波器或者迭代滤波器结合进行边缘检测。

这与 ksr 和 ksrlin 相同（文件文件 ID：#19195 和 #19564），但不是对每个点使用相同的带宽，而是使用由每个点到其第 k 个最近邻点的距离给出的可变带宽。

高通低通图像混合