提出了一种基于多特征提取和支持向量机(support vector machines,SVM)参数优化的车型识别方法,此方法解决了采用单一特征容易受到光照、天气、阴影等环境影响的问题,并且可以对运动中的车辆进行车型识别。首先,采集车辆样本并进行图像预处理,提取车辆的几何特征、纹理特征和方向梯度直方图(histogram of oriented gradient,HOG)特征;其次,将提取的多种特征量进行组合测试,并与单个特征量的测试结果进行比较;最后,采用粒子群算法优化SVM的参数并使用优化的SVM参数进行运动车辆的车型识别。实验结果表明:提出的多特征提取和SVM参数优化相结合的车型识别方法能够取得很好的识别效果,识别率达到90%以上。

针对支持向量机(SVM)参数难以选择和确定的问题,采用一种新式元启发式优化算法——多元宇宙优化算法(MVO).并在传统多元宇宙优化算法(MVO)的基础上针对TDR值下降速度慢而导致旅行距离增加的问题,提出改进多元宇宙优化算法(IMVO),将改进多元宇宙优化算法用于支持向量机的参数优化和选择问题上.使用UCI标准数据库中的数据进行数值仿真实验.研究结果表明:采用改进多元宇宙优化算法优化的支持向量机有较强的寻优性能,稳定性较好.

基于一种改进粒子群算法的SVM参数选取，主要介绍一种新的优化算法

为了提高煤矿主扇风机故障诊断的准确性,将网格搜索法和支持向量机(SVM)应用到主扇风机的故障诊断中。首先,建立主扇风机运行故障的知识库,并将采集到的主扇风机振动信号进行小波消澡和归一化;然后,设计了网格搜索参数优化SVM的主扇风机故障诊断模型。最后,通过工程现场提取的数据进行实验验证,并与遗传算法和粒子群算法寻优的时间和诊断结果准确率进行比较。实验结果表明,网格搜索法SVM参数优化非常适合于煤矿主扇风机的故障系统中。

基于二进制PSO算法的特征选择及SVM参数同步优化详细描述了二进制PSO算法的特征选择

SVM使用的是lib-svm工具箱，LIBSVM 是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的 SVM 模式识别与回归的软件包，它不仅提供了编译好的可在 Windows 系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用； 该软件还有一个特点，就是对 SVM 所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross-SVM回归等问题，包括基于一对一算法的多类模式识别问题。

svm参数优化及相关优化算法代码 svm参数优化及相关优化算法代码！svm参数优化及相关优化算法代码

遗传算法是一种具有随机、高度并行、自适应特点的全局最优搜索技术,即以生物界自然选择和遗传机理为基础的智能计算模型,模拟生物的自然进化过程。文章利用改进的遗传算法优化SVM 参数,提高SVM分类器的学习能力和推广能力,实验仿真表明,优化的SVM不仅能高准确地预测训练集,而且使分类准确率维持在一个较高的水平。

本程序有算例分析，详细介绍了三种优化SVM方法：遗传算法、PSO、网格搜索法

matlab环境下使用PSO算法对SVM多分类器的参数进行优化的案例，代码有详细的注释，另有一篇博客对算法的大致过程有介绍.