基于最小二乘支持向量机的锂电池容量预测

适用多数matlab版本的安装，自己实际安装了，在此期间遇到不少问题，一并在文件中进行了汇总，让多数入门者不再被Libsvm的安装和使用困扰

学习支持向量机的权威资料，大家可以下载阅读，比较全面。

提出了一种利用支持向量机改进的朴素贝叶斯算法——TSVM-NB算法。首先利用NB算法对样本集进行初次训练，利用支持向量机构造一个最优分类超平面，每个样本根据与其距离最近样本的类型是否相同进行取舍，这样既降低样本空间规模，又提高每个样本类别的独立性，最后再次用朴素贝叶斯算法训练样本集从而生成分类模型。仿真实验结果表明，该算法在样本空间进行取舍过程当中消除了冗余属性，可以快速得到分类特征子集，提高了垃圾邮件过滤的分类速度、召回率和正确率。

：将核学习方法的思想应用于K-均值聚类中，提出了一种核K-均值聚类算法，算法的主要思想是：首先将原空间中待聚类的样本经过 一个非线性映射，映射到一个高维的核空间中，突出各类样本之间的特征差异，然后在这个核空间中进行K-均值聚类。同时还将一种新的核 函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性，分别利用人工和实际数据进行K-均值聚类和核K-均值聚类，实验结 果显示对于一些特殊的类分布数据，核K-均值聚类比K-均值聚类具有更好的聚类效果

1.有数据集 2.麻雀算法优化支持向量机python代码

Latent SVM算法实现行人检测opencv

j基于matlab的SVM支持向量机人脸识别仿真，采用PCA降维，包含人脸图像数据库。 for iExpressionPerPerson= 1:nExpressionPerPerson nSplPerClass(iExpressionPerPerson) = sum( (trainLabel == iExpressionPerPerson) ); end multiSVMStruct = multiSVMTrain(TrainData, nSplPerClass, nExpressionPerPerson); save SVM_model.mat multiSVMStruct A0 B0 display('..............................'); display('训练结束。');

自动语音情感识别器（SER）是目前具有广泛的应用人机交互（HCI）领域的研究课题。语音特征，如Mel频率倒谱系数（MFCC ）和梅尔能谱动态系数（本中心） ，都是从言语交流中提取的。支持向量机（SVM）作为分类器对柏林情绪数据库中的不同情绪状态进行分类，如愤怒，快乐，悲伤，中性，恐惧。 LIBSVM是用于情绪的分类。性别无关的情况下给出了93.75％的分辨率，男性语音94.73％ 和女性语音的100 ％ 。

模糊支持向量机-Python代码，包含示例数据集data、FSVM.ipynb、FSVM.py三种文件。