里面包含各类干扰信号的产生，包括：噪声干扰、拖引欺骗干扰以及采样转发干扰； 各类干扰信号的时域特征和频域特征； 采用SVM算法，对各类干扰信号进行分类。

鹈鹕算法(POA)优化最小二乘支持向量机分类预测，POA-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

鲸鱼算法(WOA)优化最小二乘支持向量机分类预测，WOA-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

灰狼算法(GWO)优化最小二乘支持向量机分类预测，GWO-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

蛇群算法(SO)优化最小二乘支持向量机分类预测，SO-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测 基本介绍 1.MATLAB实现基于SVM-Adaboost支持向量机结合AdaBoost多输入分类预测； 2.运行环境为Matlab2018b； 3.输入多个特征，分四类预测； 4.data为数据集，excel数据，前多列输入，最后输出四类标签，主程序运行即可,所有文件放在一个文件夹； 5.可视化展示分类准确率。 模型描述 SVM-Adaboost支持向量机结合AdaBoost多输入分类预测是一种基于机器学习和集成学习的预测方法，其主要思想是将支持向量机（SVM）和AdaBoost算法相结合，通过多输入模型进行预测。 具体流程如下： 数据预处理：对原始数据进行清洗、归一化和分割等预处理步骤。 特征提取：利用SVM模型对数据进行特征提取，得到多个特征向量作为AdaBoost算法的输入。 AdaBoost模型训练：利用AdaBoost算法对多个特征向量进行加权组合，得到最终的预测结果。 模型评估：对预测结果进行评估。 模型优化：根据评估结果对模型进行优化，可以尝试调整模型的参数、改变AdaBoos

麻雀算法(SSA)优化最小二乘支持向量机分类预测，SSA-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

北方苍鹰算法(NGO)优化最小二乘支持向量机回归预测，NGO-LSSVM回归预测，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

粒子群算法(PSO)优化最小二乘支持向量机分类预测，PSO-LSSVM分类预测，多输入单输出模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

为了解决软件无线电系统中多种调制方式之间切换的问题,提出了一种基于支持向量机的多类数字 调制方式识别算法 .该算法通过提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分 类思想,将特征向量映射到高维空间中加以分类,解决了样本在低维空间中的非线性不可分问题,避免了判 决门限的确定,与传统的神经网络方法相比,具有更好的泛化推广能力 .仿真结果表明,在具有加性带限高斯 噪声的环境下,信噪比大于等于10 dB时,识别正确率大于90%.