newyork.osm.pbf

顺序最小优化（SMO）算法是现今求解支持向量机（SVM）的最优秀算法之一，其效率直接影响到SVM的训练效率。为提高SVM的训练效率，提出了一种间隔值辅助的SMO改进算法。通过一定量的经验性实验，统计总结出了间隔值随迭代次数变化的规律，即该变化呈铰链函数形态，起始阶段下降很快，经过一小段缓慢变化期后进入间隔值几乎无变化的水平区域。由此，提出并实现了SMO改进算法，通过跟踪间隔值随迭代次数的变化率，待越过拐点一小段时间后终止算法以缩短SVM训练时间。对比实验以及k分类的交叉验证（k-CV）证明，改进后的SMO算法在保持原有算法的模型预测能力的基础上，能够产生至少45%的效率提升。

在序列最小优化（Sequential Minimal Optimization，SMO）算法训练过程中，采用标准的KKT（Karush-Kuhn- Tucker）条件作为停机准则会导致训练后期速度下降。由最优化理论可知，当对偶间隙为零时，凸二次优化问题同样可以取得全局最优解。因此本文将对偶间隙与标准KKT条件同时作为SMO算法的停机准则，从而提出了改进停机准则的SMO算法。在保证训练精度的情况下，提高了SMO算法的训练速度。通过对一维和二维函数的两个仿真实验，验证了改进SMO算法的有效性。

使用来自 PMSM 的 FOC 控制的离线数据，进行滑模观测器无传感器仿真。 来自 Siva Malla 的 PMSM 控制模型（ https://www.mathworks.com/matlabcentral/fileexchange/39605-vector-control-of-permanent-magnet-synchronous-motor-pmsm ）

SMO-MKL(基于SMO的多核学习算法)，内有可执行程序以及源代码，欢迎下载

这是基于TI F28035开发的永磁同步电机无传感器的矢量控制程序，完整的过程

MATLAB_SMO_SVM回归分析预测实例

使用Python支持向量机的代码实现，首先基于简化版的SMO实现分类超平面的计算，但时间较长，然后将完整版的SMO算法封装到类中，实现超平面的快速计算。最后使用SVM进行手写体识别实例的实现

多核学习代码

大学生