基于麻雀算法的SVM分类，SSA-SVM 分类问题 智能优化算法、改进分类器SVM

官方网站 http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 参考网页 http://baike.baidu.com/view/598089.htm 实现语言：C语言 LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~cjlin/免费获得。该软件可以解决C-SVM分类、-SVM分类、-SVM回归和-SVM回归等问题，包括基于一对一算法的多类模式识别问题。SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

文章针对SVM中的参数选择问题，提出了利用遗传算法进行优化的方法，并将其应用于商业银行的个人信用评估中，构建了个人信用评估GA-SVM模型；通过对GA适应度函数的设置来控制个人信用评估中给商业银行造成较大损失的“取伪”误判的发生；模型的应用结果表明，GA-SVM模型能够对样本数据进行较好的分类，并且“取伪”误判得到了控制。

基于frede blaabjerg方法的基本空间矢量pwm，并用spwm实现了我的计算解释。 此方法不包括直流链路补偿，因此不平衡电流输出。

使用 Wild Horse Optimizer (WHO) 的支持向量机 (SVM) 超参数优化（matlab代码） 我们使用 Wild Horse Optimizer 作为解决工程优化问题的强大且快速的元启发式算法，在分类问题中开发优化支持向量机算法超参数（内核、c、gamma） 首先，您可以使用任何带有编辑 Main.m 文件的数据集，然后单击运行

使用Haris Hawks算法对SVM进行超参数优化的Matlab代码

论文将支持向量机的机器学习方法引入到医学图像的分类问题。首先概述 了支持向量机的理论基础和数学模型，着重介绍了支持向量机的推广能力和核 函数理论。其次介绍了一些主要的改进支持向量机学习算法，分析了这些算法 的优缺点。最后应用支持向量机方法对乳腺X线图像提取出来的特征样本进行 分类，采用交叉检验方法进行支持向量机核函数参数的选择，取得了较好的分 类准确率。

麻雀算法为2020年的新算法，这里用麻雀算法（SSA）优化支持向量机，并以滚动轴承故障诊断为例子，代码注释较全，适合新手，可以跑出来，本人亲自测试过，绝对可以。

本资源是SVM神经网络的信息粒化时序回归预测的matlab仿真。本资源利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测，通过实际检验会看到这种方法是十分可行的并且结果很是可靠。