除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。 一、导入sklearn算法包 Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明：http://scikit-learn.org/stable/auto_examples/index.html。 skleran中集成了许多算法，其导入包的方式如下所示， 逻辑回归：from sklearn.linear_model import LogisticRegression 朴素

1-8遗传算法，9 多目标Pareto最优解搜索算法，10 基于多目标Pareto的二维背包搜索算法，11-12免疫算法，13-17粒子群算法，18鱼群算法，19-21模拟退火算法，22-24蚁群算法，25-27神经网络，28 支持向量机的分类，29 支持向量机的回归拟合，30 极限学习机的回归拟合及分类(1-8 genetic algorithm, 9 multi-objective Pareto optimal solution search algorithm, 10 multi-objective Pareto based two-dimensional knapsack search algorithm, 11-12 immune algorithm, 13-17 particle swarm algorithm, 18 fish swarm algorithm, 19-21 simulated annealing algorithm, 22-24 ant colony algorithm, 25-27 neural network, 28 support vector m

基于PSO工具箱的函数寻优算法 基于遗传算法的BP神经网络优化算法 基于遗传算法的LQR控制器优化设计 基于遗传算法的TSP算法 基于粒子群算法的PID控制器优化设计 粒子群算法的寻优算法 蚁群算法的优化计算——TSP优化 多种群遗传算法的函数优化算法 基于蚁群算法的三位路径规划算法 基于动态粒子群算法的动态环境寻优算法 免疫优化算法在物流配送中心选址中的应用 基于遗传算法和非线性规划的函数寻优算法 支持向量机的回归拟合——混凝土抗压强度预测 支持向量机分类——基于乳腺组织电阻抗特性的乳腺癌诊断 有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。

matlab运行svm和svr模型的工具包，可用，亲测。

支持向量机的Matlab实现

光谱吸收法是对甲烷浓度检测的一种有效手段,通过棱镜气室结合光子晶体光纤的应用实现光谱吸收法对甲烷浓度的高精度在线检测。但在检测过程中,由于环境中温度、压强以及系统本身设备的影响,使得接收的信号中包含大量的噪声。支持向量机(SVM)具有泛化能力强和寻求全局最优点的特点,被用于甲烷浓度检测的信号处理。Matlab实验结果表明,使用SVM原理滤波能有效地滤除噪声,把有效的信号分离出来,并用信噪比评估去噪效果。使用该方法滤波能够使信噪比达到130dB以上,与传统的小波降噪相比有很大的提高,能达到理想的去噪目的。

支持向量机 用于背景噪声分类的支持向量机

chapter29 支持向量机的回归拟合——混凝土抗压强度预测

C语言版的支持向量机源码，很好，很强大。