文本分类，使用机器学习算法，如朴素贝叶斯、逻辑回归、支持向量机等

以分类精度为目标的传统分类算法通常假定:每个样本的误分类具有同样的代价且每类样本数大致相等.但现实数据挖掘中该假定不成立时,这些算法的直接应用不能取得理想的分类和预测.针对此缺隙,并基于标准的SVM,通过在SVM的设计中集成样本的不同误分类代价,提出代价敏感支持向量机(CS-SVM)的设计方法.实验结果表明CS-SVM是有效的.

svmpredict命令： 具体命令： svmpredict testfile modelfile outputfile 需要预测的序列文件 svmtrain构建的模型

基于WOA优化的libsvm最优参数计算仿真，matlab2021a测试。 [Best_score, Best_pos,~] = WOA(agent, iteration, lb, ub, dim, fobj); cmd = ['-s 5 -t 2 ', '-c ', num2str(Best_pos(1,1)), ' -g ', ... num2str(Best_pos(1,2)), ' -q']; model = libsvmtrain(trainlabel, traindata, cmd);

阐述了支持向量机在时间序列预测中应用的理论基础，建立了人口时间序列的支持向量机预测模型。计算结果表明，无论是在拟合过程还是在预测过程，支持向量机方法都具有很高的计算精度.因此，采用支持向量机方法对人口时间序列进行预测分析是可行的。

C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的特点，提出了四种不同的车牌区域提取方法，经过校正后得到车牌区域候选；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别；搭建和编写了一个完整的工程项目，该项目整合了研究过程中的所有方法的程序实现，可以对数据集进行操作也可实现单张图片的自动识别，体现了端到端和数据驱动的思想。 包含设.计和论.文，

Windows NT 时间格式是自 1601 年 1 月 1 日以来经过的 100 纳秒间隔数。此 m 文件用于将正常时间向量转换为此 Windows NT 格式。 该函数采用与 Matlab 的“时钟”函数的输出格式相同的时间向量，并返回一个表示已通过的 100 纳秒间隔数的值

python代码 果蝇算法优化支持向量机，可直接运行

现代OpenGL+Qt：使用halfway向量提高光照计算效率，使用halfway向量提高OpenGL光照计算的效率，详见博文：现代OpenGL+Qt学习笔记之十一：使用halfway向量提高光照计算效率http://blog.csdn.net/chaojiwudixiaofeixia/article/details/78197656

之前的以此组会，老师让讲一下支持向量机SVM的基本知识，就做了一个ppt介绍。 里面主要软硬间隔，对偶相关的知识