符号计算的局限性：有很多问题1）无法解，2）求解时间过长 数值计算：适用范围广，能处理各种复杂的函数关系，计算速度快，容量大。

正弦型号，向量，复数，复数的代数形式，三角形式，指数形式，坐标形式，电感，电容。 电感、电容伏安特性

选择性激光烧结成型件密度的支持向量回归预测!.pdf

R= ALLSTATS(A) 返回一个结构体 R，其中包含向量 A 的多个统计信息。可以在可选向量中给出分组因子。 在这种情况下，所有统计数据都将按组计算。 计算的统计数据（作为 R 的字段返回）是： R.min=最小值R.max= 最大值R.mean=平均值R.std=标准偏差R.mode=模式R.q2p5= 2.5 个百分位R.q5= 5 个百分位R.q25= 25 个百分位R.q50= 50 个百分位（中位数） R.q75= 75 个百分位R.q95= 95 个百分位R.q97p5= 97.5 个百分位R.kurt=峰度R.skew=偏度 ％ 例子。 没有群组x=randint(10,1); R = 所有统计数据（x） ％ 例子。 2组g= [1;1;1;1;1;2;2;2;2;2]; R= allstats(x,g)

维基百科词向量 sgns.wiki.char.bz2解压后文件后缀名是.char, 可以通过一些方法得到.txt结尾的文件，有35万多个字词和符号，300维的向量表示。将词向量作为词嵌入层时需要加载全部的词向量到内存，如果计算机的内存不够大，会直接内存溢出。所以，截取8000，20000个词汇的词向量进行使用，在配置普遍的设备也能运行。该项目提供了100多个使用不同表示（密集和稀疏），上下文特征（单词，ngram，字符等）和语料库训练的中文单词向量（嵌入）。人们可以很容易地获得具有不同属性的预训练向量，并将它们用于下游任务。

matlab svr代码AML_RVR-SVR_project 运行项目 MATLAB 项目分为 9 个部分。 只需评论/取消评论您想要运行的内容即可。 S1：加载数据集 更改您希望加载的数据集的名称（ sinc或airfoils ）。 S2：运行SVR 使用内核运行 SVR，您选择的 SVR 方法 (nu,epsilon SVR)，指示的超参数。 S3：运行 RVR 以指定的内核宽度运行 RVR。 S4 : BICSR 验证 在多个模型（任意模型以及根据不同指标的最佳模型）上运行交叉验证。 在 MSE/稀疏图上绘制结果。 S5 : nu-SVR 的简历 对 nu-SVR（使用 RBF 高斯核）运行 f 折交叉验证，并在超参数上进行网格搜索。 S6 : eps-SVR 的简历 对 eps-SVR（使用 RBF 高斯核）运行 f 折交叉验证，并在超参数上进行网格搜索。 S7 : RVR 简历 运行 RVR 的 f 折交叉验证（使用 RBF 高斯核），并在超参数上进行网格搜索。 S8 : BICSR 验证 (2) 基本上和 S4 一样，没有不同的惩罚项（保持 klnN） S9 : 模型比较

matlab对支持向量机的操作，解释的较为清晰，具有一定的参考价值。

本程序应用SVM为基础，核函数采用高斯核函数，数据为手写数字数据1和9，用smo加速算法，识别正确率达99.4%，而且我博客有讲解

贝叶斯向量自回归广泛用于宏观经济预测和结构分析。 然而，直到最近，由于参数扩散问题和计算限制，大多数实证工作只考虑了具有少量变量的小系统。 我们首先回顾了各种可用于解决大型贝叶斯 VAR 中参数增殖问题的收缩先验，然后详细讨论了用于克服计算问题的有效采样方法。 然后，我们概述了一些最近的模型，这些模型将各种重要的模型特征合并到传统的大型贝叶斯 VAR 中，包括随机波动率、非高斯和序列相关误差。 还讨论了拟合这些更灵活模型的有效估计方法。 使用涉及实时宏观经济数据集的预测练习来说明这些模型和方法。 还提供了相应的MATLAB代码。

无限内核支持向量机（IKSVM）最近在机器学习中引起了越来越多的关注。 与传统的SVM不同，IKSVM本质上是一个凸优化问题。 一些算法直接丢失了内核中涉及的一些有价值的信息，从而直接改变了不确定内核矩阵的谱，从而将非凸问题转化为凸问题。 其他算法旨在解决IKSVM的双重形式，但是在不确定的内核的情况下，存在原始问题和双重问题之间的双重差距。 在本文中，我们直接关注IKSVM的非凸素数形式，并提出了一种称为IKSVM-DC的新颖算法。 根据不确定核矩阵的频谱特征，IKSVM-DC将目标函数分解为两个凸函数的减法，从而将原始问题重新表述为可以通过DC优化的凸函数（DC）编程差异算法（DCA）。 为了加快收敛速度​​，IKSVMDC在每次迭代时还将经典DCA与沿下降方向的线搜索步骤结合在一起。 然后进行理论分析，以验证IKSVM-DC可以收敛到局部最小值。 在现实世界的数据集上进行的系统实验表明，与最新的IKSVM相关算法相比，IKSVMDC具有优越性。