本程序应用SVM为基础，核函数采用高斯核函数，数据为手写数字数据1和9，用smo加速算法，识别正确率达99.4%，而且我博客有讲解

无限内核支持向量机（IKSVM）最近在机器学习中引起了越来越多的关注。 与传统的SVM不同，IKSVM本质上是一个凸优化问题。 一些算法直接丢失了内核中涉及的一些有价值的信息，从而直接改变了不确定内核矩阵的谱，从而将非凸问题转化为凸问题。 其他算法旨在解决IKSVM的双重形式，但是在不确定的内核的情况下，存在原始问题和双重问题之间的双重差距。 在本文中，我们直接关注IKSVM的非凸素数形式，并提出了一种称为IKSVM-DC的新颖算法。 根据不确定核矩阵的频谱特征，IKSVM-DC将目标函数分解为两个凸函数的减法，从而将原始问题重新表述为可以通过DC优化的凸函数（DC）编程差异算法（DCA）。 为了加快收敛速度​​，IKSVMDC在每次迭代时还将经典DCA与沿下降方向的线搜索步骤结合在一起。 然后进行理论分析，以验证IKSVM-DC可以收敛到局部最小值。 在现实世界的数据集上进行的系统实验表明，与最新的IKSVM相关算法相比，IKSVMDC具有优越性。

结合自己编matlab 程序，还有在实际操作中的应用，最全的matlab的svm程序

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法，将通过小波分析得到的呼吸音特征输入神经网络，作为SVM方法的特征输入，对训练样本进行训练，再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别，同时与K最近邻(KNN)方法进行比较。实验结果表明，SVM方法具有较高的识别精度，能够对呼吸音状态进行识别，同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于 SVM 方法的神经网络呼吸音识别算法有较好的精度，可为身体局域网技术提供信息处理的有效算法。

svm-gpu 适用于带GPU的多类支持向量机（SVM）库。 这是一种快速且可靠的分类算法，在有限的数据量下性能很好。 支持向量机 ： 支持向量机是有监督的学习模型，可以分析数据并识别模式。 一个特殊的特性是，它们同时最小化了经验分类误差并最大化了几何余量。 因此，它们也被称为最大余量分类器。 支持向量机的优点是： 在高维空间有效。 在维数大于样本数的情况下仍然有效。 在决策函数中使用训练点的子集（称为支持向量），因此它也可以提高存储效率。 多功能：可以为决策功能指定不同的内核功能。 提供了通用内核，但是也可以指定自定义内核。 与神经网络相比，在有限数量的样本（数千个样本）中实现了更高的速度和更好的性能 支持向量机的缺点包括： 如果特征数量远大于样本数量，则在选择内核函数时应避免过度拟合，并且正则化项至关重要。 SVM不直接提供概率估计，而是使用昂贵的五重交叉验证来计

为了进一步提高支持向量机分类的准确性和泛化能力，提出一种基于支持向量机的改进二叉树分类算法.首先介绍支持向量机的基本原理，总结了常见的多分类器分类算法及其特点，结合现有分类算法的优点，为分类器引入了不同的权值，提出二叉树改进分类算法，有效避免了常用分类算法不足.通过仿真实验，与典型的多类分类算法对比，验证该算法的有效性，为多类分类预测研究提供了一条有效的途径.

采用matlab自带的quadprog（）函数对支持向量机模型进行求解。整个文件夹包含测试用数据集，可运行。

用matlab根据Hough变换和SVM做足球场地图像禁区检测, 这个是工程文件，内有程序运行步骤和说明文档 程序文档摘要 实现函数：function [mean]=acquiremean(w) 实现功能：计算并返回输入图像主色值。 实现函数：function Q=maincolour(I) 实现功能：计算并返回输入图像主色率 实现函数:function Q=yuchuli(I) 实现功能:提取禁区候选图中场地区域 实现函数:function lines=line_extract(I_ORG) 实现功能:对输入真彩图像进行直线提取 训练SVM [xsup_si,w_si,w0_si,pos_si,tps_si,alpha_si] = svmclass(Xapp,yapp,C,lambda,kernel,kerneloption,1); 测试 [Xtest]=normalizemeanstd(Xtest); xpred = svmval(Xtest,xsup_si,w_si,w0_si,kernel,kerneloption,1);

完整代码，可直接运行

基于支持向量机的车辆识别技术的研究，学习深度学习必看，值得下载！