优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。 文件列表： 数据\a23.xls 数据\a45.xls 数据\B2.xls 数据\b3.xls 数据\B4.xls 数据\B5.xls 数据\bdata1.xls AdaptFunc.m AdaptFunc1.m BaseStepPso.m gaijin.m InitSwarm.m pso.m shorttime.m 基于支持向量机的短期电力负荷预测.doc

svm分类器原ssvm分类器原理vm分类器原理理

压缩文件中包含支持向量机SVM和PSO算法，是matlab中的工具箱，直接加载调用即可，操作简单，比较好用。

提出一种基于近似熵测度的变权组合预测方法. 首先, 不同于传统的预测效果评价准则, 从衡量样本序列复 杂性的角度出发, 以预测值误差序列的近似熵测度为评价效果准则, 建立变权组合预测优化模型; 然后, 在变权组合 预测权值分配问题上, 为克服常规的均值估计法和回归分析法的不足, 采用在线最小二乘支持向量机(LS-SVM) 回 归法, 实现预测点加权系数的准确预测; 最后, 通过实例表明了该方法的可行性和有效性.

AST数据集和输出数据AST数据集和输出数据共享在运行模型和输出数据的数据对应于四个方案（原始AST，AST修剪）通过次要程序，通过语义方法修剪的AST和通过两种方法修剪的AST分别存储在文件夹AST_OR，AST_MF，AST_SE，AST_SE_MF中。

印度古典舞蹈的分类 本文提出的算法旨在在印度古典舞领域实现姿势识别。 姿势分类考虑了三种不同的舞蹈，即巴拉特纳坦舞，卡萨克舞和奥迪西舞，以及全部15种姿势。 将创建一个包含100张图像的初始数据库，并将其分为训练和测试数据集。 选择Hu矩作为特征提取技术来描述图像的形状上下文，因为它们是缩放，平移和旋转不变的。 为了提取Hu矩，将图像的前景和背景分离，然后将所得图像转换为二进制图像。 由于这是一个多类分类问题，因此，SVM是使用“一对一”和“一对一”的方法实现的，并且两种方法的结果均与线性和RBF内核进行对比。 ＃执行程式码的步骤 使用binary.py将所有色度照相像转换为二进制。 运行

libsvm.jar3.20下载

一本机器学习入门的好书，同时伴有大量R语言的例子，是用R语言敲开机器学习大门的不二书选！Springer出版的经典书籍，很接地气。

《机器学习》课程支持向量机实验，包括详细的jupyter文件和解释，代码均成功运行。 机器学习支持向量机实验内容 一、实验内容 1.1 支持向量机的核函数 1. 了解核函数对 SVM 的影响 2. 绘制不同核函数的决策函数图像 3. 简述引入核函数的目的 1.2 支持向量机的软间隔 1. 了解分离超平面、间隔超平面与支持向量的绘制 2. 调整 C 的值，绘制分离超平面、间隔超平面和支持向量 3. 简述引入软间隔的原因，以及 C 值对 SVM 的影响 1.3 支持向量机的分类任务 1. 使用支持向量机完成 spambase 垃圾邮件分类任务 2. 使用训练集训练模型，计算测试集的精度，查准率，查全率，F1 值 1.4 支持向量机的回归任务 1. 使用支持向量机完成 kaggle 房价预测问题 2. 使用训练集训练模型，计算测试集的 MAE 和 RMSE 要求将结果写入到 markdown 的表格中！ 二、数据介绍 2.1 kaggle 房价预测数据集 文件名：

(2)在约束条件 下求解使目标函数 最大化的αop。 (3)计算最优权值