初步了解支持向量机，支持向量机的入门程序，和用于肌电信号模式识别的入门程序。

基于支持向量机的静态手势识别研究，李晓颖，杨春金，手势识别作为一种特殊的生物特征识别方式，与指纹、人脸识别比起来，更加友好便捷，而且在人机交互技术中，用处更为广泛。手势识

介绍了几种分类器，神经网络 自适应 支持向量机等

支持向量机SVM和核函数的matlab程序集

非线性SVM分类器设计，不同核函数下的样本数据分类图，matlab代码简单易懂

针对目前智能手机识别人体运动状态种类少、准确率低的问题，提出一种利用加速度传感器和重力传感器分层识别人体运动状态的方案。首先，利用加速度和重力加速度的关系计算出与手机方向无关的惯性坐标系下的线性加速度；其次，根据人体运动频率的变化范围和线性加速度矢量来确定脚步的波峰和波谷位置；最后，提取线性加速度在时域上的特征向量，使用层次支持向量机方法分层识别人体运动状态。实验结果表明，该方法能有效识别人体6种日常运动状态，准确率达到93.37%。

vapnik博士的“统计学习理论的本质”中文版的作者张学工的有关统计学习理论的幻灯片。

优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。 文件列表： 数据\a23.xls 数据\a45.xls 数据\B2.xls 数据\b3.xls 数据\B4.xls 数据\B5.xls 数据\bdata1.xls AdaptFunc.m AdaptFunc1.m BaseStepPso.m gaijin.m InitSwarm.m pso.m shorttime.m 基于支持向量机的短期电力负荷预测.doc

随机傅立叶特征 该存储库提供Python模块rfflearn ，该模块是用于内核方法的随机傅立叶特征[1，2]的库，如支持向量机和高斯过程模型。 该模块的功能包括： 模块的接口非常接近 ， 支持向量分类器和高斯进程回归器/分类器，提供CPU / GPU训练和推理， 与接口，可更轻松地进行超参数调整， 该存储库提供了，该显示RFF对于实际的机器学习任务很有用。 现在，此模块支持以下方法： 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff

使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 文件