python语言编写调用HOG算法提取特征向量SVM算法训练和分类程序，内附程序可正常运行。有任何问题请留言，我看到后会尽量解决

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果，并且目前参数优化缺乏理论指导，提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明，相对于标准粒子群算法，本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力，具有更高的分类精确度和效率.

SVM非线性核函数程序

利用网格搜索进行参数寻优，效果很好，时间复杂度也可以

在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征：    (1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。   (2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。   (3)SVM一般只能用在二类问题，对于多类问题效果不好。 代码及详细解释(基于sklearn包)：

[英语] 本示例描述了支持向量机中用于分类的超平面，该代码是参考官方文档“Support Vector Machines for Binary Classification”创建的，如下所示。 ( https://jp.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html?lang=en ) 虽然官方文档 00s 如何在 2D 空间中显示决策边界，但此示例表示如何在 3D 空间中描述炒作平面。 [日本人]当由支持向量机 (SVM) 分类时，在 3D 上可视化分离界面。如果有 4 个或更多变量，则无法在 xyz 平面上进行可视化。例如，它是有效的，因为您可以在更改内核类型时直观地检查边界表面如何变化。

本文档力求直白地介绍支持向量机SVM，其中用到的很多例子都是网上经典的SVM例子。文档适合小白入门学习使用，其中涉及的数学知识也尽可能用朴实的语言带过。希望对这方面的入门学习爱好者有帮助。

【目录】 概述 统计学习理论中的基本概念 统计学习理论的发展简况 统计学习理论的基本内容 支持向量机概述 研究现状 参考文献

脑电情绪识别二分类算法，采用模型决策树、SVM、KNN三个模型 （deap数据集），代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。

利用PSO优化SVM中的惩罚参数c和核参数g 使用该函数须先安装成功libsvm，为了避免和matlab内置的函数冲突，最好将svmtrain.mexw64、svmpredict.mexw64这两个文件重命名为libsvmtrain.mexw64、libsvmpredict.mexw64，不然无法使用，有使用问题，请咨询