mimo-svr 多输入多输出支持向量回归。 由 Fernando Pérez-Cruz 开发的代码端口； 请引用： William J. Brouwer、James D. Kubicki、Jorge O. Sofo、C. Lee Giles 对应用于凝聚态物质结构预测的机器学习方法的调查 arXiv:1405.3564 [cond-mat.mtrl-sci] Sánchez-Fernández, M. 和 dePrado-Cumplido, M. 和 Arenas-García, J. 和 Pérez-Cruz, F. SVM 多重回归用于多输入多输出系统中的非线性信道估计 IEEE Trans。 信号过程, 52(8), 2298-2307, 2004 inc 目录中有一个小训练/测试集，对应于产生光谱的相应原子结构的压缩 NMR 数据 (x) 和晶胞参数 (y)。 要在

面向多输入输出系统的支持向量机回归 svr学习

matlab源码

为准确预测采动覆岩导水裂隙带高度,选择采厚、硬岩岩性比例系数、工作面斜长、采深作为采动覆岩导水裂隙带发育高度的主要影响因素,结合48组实测数据,应用支持向量机回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的采动覆岩导水裂隙带高度预测模型。采用该模型对钱家营矿辅271工作面和谢桥矿1121(2)工作面采动覆岩导水裂隙带高度进行预测,并将预测值与实测值进行了对比分析,其绝对误差分别为2.23 m和1.21 m。综合研究表明,应用该模型预测的覆岩裂隙带发育高度值准确、可靠,其精度能够满足工程实际要求。

【SVR预测】基于混沌灰狼优化支持向量机回归预测SVR模型matlab源码.md

该脚本基于嘈杂的训练数据估计非线性函数。 特别是，使用的支持向量回归是最小二乘法版本。 有两个自由参数： -C 用于避免过拟合-g 与 Radial Basis Function 的学习参数有关

一维支持向量机SVM代码（MATLAB），包括支持向量机分类和支持向量机回归SVC&SVR;。另外还包括与BP神经网络的比较结果。

matlab svr代码SVR 支持用于预测时间序列和其他数据库的向量回归。 (MATLAB) 我们将使用 matlab 脚本来预测数据。 这里的主要目标是获得尽可能高的准确性。 我相信这里的编码风格并不重要，重要的是所使用的预测模型等等。 ameya 稍后会添加一些参考资料。

插件

当前机器学习的技术已经运用到很多工程项目中，但大部分机器学习的算法只有在样本数量充足且 运用在单一场景中的时候，才能获得良好的结果。其中，经典的支持向量回归机是一种具有良好泛化能力的 回归算法。但若当前场景的样本数量较少时，则得到的回归模型泛化能力较差。针对此问题，本文以加权ε 支持向量回归机为基础，提出了小样本数据的迁移学习支持向量回归机算法。本文算法以加权ε支持向量回 归机为Bagging 算法的基学习器，使用与目标任务相关联的源域数据，通过自助采样生成多个子回归模型， 采用简单平均法合成一个总回归模型。在UCI 数据集和现实数据集——玉米棒与花生粒储藏环节损失数据集 上的实验结果表明本文方法较标准ε-SVR 算法与改进的RMTL 算法在小数据样本上有更好的泛化能力。