这是SVM的例，喜欢SVM可以下载，对初学者很有用，特别一点是： 要下载libsvm工具箱，然后按照例做一遍，很快就会上手的，当然一定要对SVM有兴趣才行，没兴趣的同学，那就不要下载了，呵呵

粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码

灰狼优化算法优化SVM支持向量机后用于手写体数字识别+matlab源代码

鲸鱼优化算法+SVM支持向量机

5.3 向量场与对偶向量场  5.3.1 切向量、切空间与向量场  现代控制理论的研究，是在状态空间上使用状态方程对动态系统进行描述。非线性系统 的动态演变是在微分流形上进行的，演化结果是流形上的一条曲线。描述无穷小演化的微分 方程是流形上的向量场，因此，研究流形上的动态系统，就要分析流形上的向量场。流形上 向量场的局部坐标表示就是 nR 中的微分方程组。在状态空间中，向量场就是状态方程的几 何解释；相应地，应用向量场来研究动态系统的方法，就是几何方法。 图 5-6 微分的示意图 1 k 维C∞ 向量函数指的是从 kM →R 的C∞ 映射，可以用一个以C∞ 函数为元的 k 维列向量表示。

利用VB来对向量的乘积进行计算，获得结果

支持向量机（support vector machines，SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM 适合中小型数据样本、非线性、高维的分类问题。 SVM 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出，目前的版本（soft margin）是由 Corinna Cortes 和 Vapnik 在1993年提出，并在1995年发表。深度学习（2012）出现之前，SVM 被认为机器学习中近十几年来最成功，表现最好的算法。

计算矩阵特征值，特征向量的计算 例子： double [][] array = { {2,3}, {2,1}, }; //定义一个矩阵 Matrix A = new Matrix(array); //由特征值组成的对角矩阵 A.eig().getD().print(4,2); //每一列对应的是一个特征向量 A.eig().getV().print(4,2);

ISMONOTONIC(X) 返回一个布尔值，指示向量是否是单调的。 默认情况下，对于非严格单调向量，ISMONOTONIC 返回 true， 以及单调递增和单调递减的向量。 为了矩阵和 ND 数组，ISMONOTONIC 为中的每一列返回一个值X。 ISMONOTONIC(X, 1) 的工作原理如上，但仅在 X 为严格单调递增，或严格单调递减。 ISMONOTONIC(X, 0) 与 ISMONOTONIC(X) 相同。 ISMONOTONIC(X, [], 'INCREASING') 同上，但只返回 true 当 X 单调递增时。 ISMONOTONIC(X, [], 'DECREASING') 同上，但只返回 true 当 X 单调递减时。 ISMONOTONIC(X, [], 'EITHER') 与 ISMONOTONIC(X, []) 相同。 ISMONOTONIC

介绍一下原理：RGB图像通过公式转化为灰度图像，完成图像的灰度化，建立灰度直方图，通过两幅图像的灰度直方图，以4个灰度值为一组，建立64组数据，因为灰度直方图的定义域就是0~255，所以总共有256组数据，将所得的64组数据中的每4个数据，通过加权求和，得到64个数值，这些数值便是图像的“指纹”，将两组图像的指纹映射到64维空间，得到两组64维空间向量，通过空间夹角余弦公式得到两组图像的余弦值，将余弦值加一后除二，得到的小数乘100便是相似度。 这个程序的具体实现呢，大致分为三部分：1、将图像灰度化；2、将灰度化的图像建立直方图；3、将直方图映射到多维空间得到向量后计算夹角余弦值。