SVM除了可以用于分类问题，也可以用于回归问题，这里有svm在r语言中的应用

随着现代制造业朝着大型化、柔性化、智能化发展，保障生产设备的安全运转越发重要。提出了基于PCA-SVM算法的轴承故障诊断分析模型。该模型提取轴承振动信号的时域指标参数，并运用主成分分析法（PCA）对指标参数进行优化和选择，利用降维思想，将多参数转化为综合参数，将综合特征值作为支持向量机（SVM）分类器的输入向量训练分类模型，最后运用测试集进行故障诊断实验，实验表明PCA-SVM模型可以帮助提高模型分类效率和精度，快速排查定位轴承故障，从而降低由故障导致的生产问题，减少经济损失。

自己分享SVM总结的一个PPT，介绍到硬间隔，有大概的推导过程，可以简单的了解

模糊支持向量机及其在文本分类中的应用，朱健，刘斌，当文本分类采用多类分类时，标准支持向量机会混分和漏分样本。针对这一问题，提出了模糊支持向量机，模糊支持向量机为了提高分类

几个简单的适用于Matlab的SVM用于统计回归的函数，不需要libsvm

matlab支持向量机工具箱，可直接用于建模

基于粒子群优化的最小二乘支持向量机，可以用于分类和回归预测，经过PSO的参数优化，精度有一定提高

SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。 支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。

【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

行业分类-设备装置-一种基于最小二乘支持向量机的水松纸透气度检测方法.zip