【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用教程_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：SVM参数优化_提升分类器的性能_GA_PSO_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

针对工业控制领域中非线性系统的模型辨识与预测控制问题,采用最小二乘支持向量机回归方法构造非线性函数,运用状态子空间(N4SID)模型辨识方法辨识非线性状态空间模型.在此基础上建立非线性预测控制器,利用拟牛顿算法进行非线性预测控制律的求解,从而实现了一种新的基于支持向量N4SID 辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.

箭头线 3-D 矢量图。 vectarrow(p0,p1) 绘制一个线向量，箭头从点 p0 指向点 p1。 该函数可以根据输入的维度绘制带有箭头的 2D 和 3D 向量 例子： 对于 3D 矢量p0 = [1 2 3]; p1 = [4 5 6]; 向量箭头（p0，p1） 对于二维矢量p0 = [1 2]; p1 = [4 5]; 向量箭头（p0，p1）

为抵消信道时变多径传播特性引起的码间干扰、准确地识别数字通信系统中的发送信号,满足信道均衡的实时性要求,采用最小二乘支持向量机回归算法对信道进行均衡。首先,分析了最小二乘支持向量机算法应用于信道均衡的机理,与传统的信道均衡方法相比,该算法无需对信道进行估计可直接得到均衡器的参数。其次,与ε-支持向量机算法进行比较,最小二乘支持向量机均衡性能不减,时间复杂度大大降低,可以更好的满足信道更新的实时性要求。同时探讨了2种改善低信噪比下信道均衡性能的方法。结果表明:对于信道环境复杂的通信系统,利用最小二乘支持向量机的非线性均衡速度快、效果良好。在低信噪比情况下,可以通过增加训练序列长度和利用非线性核函数来改善信道均衡的性能。

除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。 一、导入sklearn算法包 Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明：http://scikit-learn.org/stable/auto_examples/index.html。 skleran中集成了许多算法，其导入包的方式如下所示， 逻辑回归：from sklearn.linear_model import LogisticRegression 朴素

glove.6B.100d词向量数据集，来源于wiki百科和Gigaword数据集。

1-8遗传算法，9 多目标Pareto最优解搜索算法，10 基于多目标Pareto的二维背包搜索算法，11-12免疫算法，13-17粒子群算法，18鱼群算法，19-21模拟退火算法，22-24蚁群算法，25-27神经网络，28 支持向量机的分类，29 支持向量机的回归拟合，30 极限学习机的回归拟合及分类(1-8 genetic algorithm, 9 multi-objective Pareto optimal solution search algorithm, 10 multi-objective Pareto based two-dimensional knapsack search algorithm, 11-12 immune algorithm, 13-17 particle swarm algorithm, 18 fish swarm algorithm, 19-21 simulated annealing algorithm, 22-24 ant colony algorithm, 25-27 neural network, 28 support vector m

基于PSO工具箱的函数寻优算法 基于遗传算法的BP神经网络优化算法 基于遗传算法的LQR控制器优化设计 基于遗传算法的TSP算法 基于粒子群算法的PID控制器优化设计 粒子群算法的寻优算法 蚁群算法的优化计算——TSP优化 多种群遗传算法的函数优化算法 基于蚁群算法的三位路径规划算法 基于动态粒子群算法的动态环境寻优算法 免疫优化算法在物流配送中心选址中的应用 基于遗传算法和非线性规划的函数寻优算法 支持向量机的回归拟合——混凝土抗压强度预测 支持向量机分类——基于乳腺组织电阻抗特性的乳腺癌诊断 有监督学习神经网络的回归拟合——基于红外光谱的汽油辛烷值预测

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。