准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上，提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点，实现了数据降维并且保持了交通流序列的特征，因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性，预测平均误差为3.4%。

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。

支持向量机导论(中文)版，适合对SVM感兴趣的科研人员和学生

机器学习 Parag Singla教授教授的机器学习课程作业。 每个文件夹都包含问题说明，Python代码和最终报告（具有图形等）。 作业 线性回归 局部加权线性回归 逻辑回归 高斯判别分析 朴素贝叶斯 SVM（使用Pegasos和libsvm） 决策树 神经网络 K均值 PCA +支持向量机 PyTorch中的神经网络 在PyTorch / Keras中的CNN

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码

SVM的参数优化——如何更好的提升分类器的性能

svm算法手写matlab代码使用HOG功能和SVM的手写数字识别 在这个知识库中，我将提供一个MatLab和一个Python，用于使用HOG功能和SVM进行手写数字识别。 MatLab和Python代码的结构相同，分为三（3）个部分： 步骤1：资料准备步骤2：HOG功能计算步骤3：设置并运行SVM 步骤1：资料准备 在代码的第一部分，加载了MNIST数据集[1]。 数据集与标签一起分为训练集和测试。 训练和测试集中的总位数分别为60000和10000。 标签是十（10）位数字（0到9）。 在MatLab中，每个数字由784个元素的向量表示。 784个元素的向量将在代码中稍后调整大小，以形成28x28像素的图像。 在Python中，由于每个数字均由28x28像素的图像表示，因此跳过了调整大小步骤。 步骤2：HOG功能计算 从每个28x28像素图像中计算出定向梯度直方图（HOG）特征向量[2]。 每个向量由324个元素组成。 整个324个元素的特征向量将在以后用于训练支持向量机（SVM）。 步骤3：设置并运行SVM 支持向量机（SVM）[3]是我在本示例中使用的多类分类器，用于对手写数字

svm算法手写matlab代码kqbc.python 这是本文的python实现： 包装内容： test_synth.py-运行综合数据实验的测试 kqbc.py-从matlab代码转换的python函数 matlab / KQBC.m-本文的matlab原始代码 matlab / hit_n_run.m-本文的matlab原始代码 数据 综合数据 综合数据测试执行KQBC算法，以学习d维空间中的线性分类器。 目标分类器是向量w ∗ =（1，0，...，0），因此实例x∈IRd的标签是其第一个坐标的符号。 实例为正态分布N（μ= 0，Σ= Id）。 Mnist数据 可以从此页面获得的MNIST手写数字数据库的训练集为60,000个示例，而测试集为10,000个示例。 它是NIST可提供的更大集合的子集。 这些数字已进行尺寸规格化，并在固定尺寸的图像中居中。 对于外部实验，我将数据集分解为2类（1，-1），它们是图中的一个，而其余所有都是，并通过消除大多数其他类的样本在它们之间进行了平衡。 最终数据是原始数据的子版本，每个数据包含1000个训练示例，因此总计为2000，每个测试课程为20

一种结合HOG和LBP特征的目标检测方法，速度很快，可用于面向DSP的目标检测技术开发，适合嵌入式开发

以Iris兰花数据集为例子： 从UCI数据库中下载的Iris原始数据集的样子是这样的，前四列为特征列，第五列为类别列，分别有三种类别： Iris-setosa， Iris-versicolor， Iris-virginica。