为有效预测煤与瓦斯的突出强度，分析了煤与瓦斯突出的主要影响因素，建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型，通过实例对该模型的预测效果进行检验，同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测，进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％。可见，PSO-SVM方法的预测效果要好于BP-NN和SVM，对煤矿煤与瓦斯突出强度预测具有一定的参考价值

基于Matlab GUI的心电分类界面设计系统代表了可以展示中值滤波等方法，还可以展示特征提取的方法，展示BP,SVM的分类展示系统，还能展示,p.t等采取bp.svm算法的技术研究

SVM的几个核函数对说话人身份识别的技术研究 根据具体的数据得到特征 然后采取svm分类，svm包含高斯核函数 线性核函数 RBF核函数 多项式核函数等 采取了不同的核函数对说话人的身份进行识别

基于数字图像处理和SVM的生猪识别系统源码。基于pcl数字图像处理技术和svm来实现生猪的动态识别和跟踪。 基于OpenCV1.8.1做图片的预处理，提取轮廓等操作，基于SVM做轮廓分类。基于数字图像处理和SVM的生猪识别系统源码。基于pcl数字图像处理技术和svm来实现生猪的动态识别和跟踪。 基于OpenCV1.8.1做图片的预处理，提取轮廓等操作，基于SVM做轮廓分类。基于数字图像处理和SVM的生猪识别系统源码。基于pcl数字图像处理技术和svm来实现生猪的动态识别和跟踪。 基于OpenCV1.8.1做图片的预处理，提取轮廓等操作，基于SVM做轮廓分类。基于数字图像处理和SVM的生猪识别系统源码。基于pcl数字图像处理技术和svm来实现生猪的动态识别和跟踪。 基于OpenCV1.8.1做图片的预处理，提取轮廓等操作，基于SVM做轮廓分类。

基于铁路信号的故障诊断和分类技术研究 SVM算法

SVM BP算法的鸟叫声识别

具体介绍可以看本人博客： 算法笔记（24）波士顿房价回归及Python代码实现https://blog.csdn.net/li1873997/article/details/125067084

阐述了支持向量机应用于大气污染物时间序列预测的具体方法，建立了大气污染物时间序列的支持向量机预测模型。该方法将支持向量机应用于大气污染物浓度预测：首先通过选择合适的信息量准则来确定模型阶数；而后通过实验的方法选择参数从而形成支持向量机的训练样本集，在此基础上建立了基于支持向量机的时间序列大气污染预测模型。实例表明，无论是在仿真过程还是在预测过程， 支持向量机都具有很高的预测精度。因此，采用支持向量机方法对大气污染物时间序列进行预测分析是可行的。

基于QAM和SVM的信号分类技术研究

基于HOG特征提取的svm行人头肩训练，提供训练集和测试集的图片，结果导出在txt文件中。