基于向量相关的图像匹配的Matlab实现，提供了测试图片。 根据提供的图片A，在模板图片中找到A。

BP神经网络及支持向量机matlab实现

利用java代码实现向量空间模型,通过词频，文档频率计算相似度的值。

简单的支持向量机代码，经matlab2014测试有效，可用于分类.支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）[1-3]。SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 [4]

该工具箱主要用于商业用Matlab软件包使用。Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。大部分函数可以处理的数据集可高达20，000或更多点的数据。LS- SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。

svm的介绍，通俗易懂

MATLAB向量化编程基础精讲 [马良，祁彬彬][北京航空航天大学出版社]有书签 高清扫描版

函数 [vectorout]=moving_average(vectorin,eFave) 添加一名作者日期：12/03/2013 此函数计算沿向量的移动平均值。 “eFave”是使用的输入向量“vectorin”中元素周围的元素数计算“vectorout”中的平均值。 值在无法计算的“vectorin”的开头和结尾“eFave”元素的平均值和平均值计算为“vectorin”开头或结尾的剩余值。 注意：“eFave”应该是奇数。 如果不是，则将“1”添加到其值中。 示例：vectorin=[1 2 5 4 8 9] 和 eFave=4。 eFave->5，vector out=[x1 x2 4 5.6 x5 x6]，注意x3和x4可以计算为周围 5 个元素（包括它们自己）的平均值他们。 因为这不能应用于 x1,x2,x5,x6，目标是平滑系列，x1=1, x2=mean(1 and 2),

获取一个向量、一个延迟列表和一个窗口定义，并返回围绕这些延迟的分段数据和分段的平均值（这是进行 EEG 分析时非常常用的函数）。

浮点矩阵向量乘法的FPGA设计与优化.pdf