自己编程实现基于SVM的电力负荷预测仿真,不使用MATLAB自带的SVM工具箱+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

利用PSO粒子群算法实现对多输入多输出SVM进行优化，程序可以运行。如果不能运行，可以私信。

matlab ga svm GA/SVM 程序包含三个文件： 1。MainGA12.m 2。selectGA12.m 3。svmc12.m MainGA12.m是主文件，其余两个是被调用文件。 MainGA12.m里主要设置有关参数。

是基于matlab svm平台的干扰信号分类程序

入侵检测SVM 入侵检测算法-SVM和增强型SVM 作者 釜山国立大学金东敏 描述 这是一个通过使用svm和增强型svm检测网络入侵的python项目。 参考文献 [1]姚J.，赵S.，和范L.（2006年7月）。 用于入侵检测的增强型支持向量机模型。 在粗糙集和知识技术国际会议上（第538-543页）。 施普林格，柏林，海德堡。

安全帽分割是实现煤矿人员智能视频监控的关键技术之一，可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究，为此，提出一种基于超像素特征提取与支持向量机(Support Vector Machines,SVM)分类的矿井人员安全帽分割方法。首先，采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次，提取超像素在RGB，YCbCr，Lab，HSV空间上的颜色特征及其灰度直方图纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后，在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器，采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正，识别同时包含正样本像素点和负样本像素点的欠分割样本超像素，并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类，分离出其中的正样本像素区

半导体数据

HOG+SVM+PCA 用于行人检测，，内含有HOG提取代码C++实现的

对SVM进行入门式介绍，看过之后对SVM基础原理有很好的理解

方便svm初学者了解算法思想,便于后期结合代码的学习打基础