1)支持向量机是基于结构风险最小化(SRM,structuralriskminimization)原则,保证学习机器具 有良好的泛化能力; 2)解决了算法复杂度与输入向量密切相关的问题; 3)通过引用核函数,将输入空间中的非线性问题映射到高维特征空间中在高维空间中构造线性函数判别; 4)支持向量机是以统计学理论为基础的,与传统统计学习理论不同.它主要是针对小样本情况,且最优解是基于有限的样本信息,而不是样本数趋于无穷大时的最优解; 5)算法可最终转化为凸优化问题,因而可保证算法的全局最优性,避免了神经网络无法解决的局部最小问题; 6)支持向量机有严格的理论和数学基础,避免了神经网络实现中的经验成分.

基于深度自编码网络（DAEN），构建了分类深度自编码网络（CDAEN）模型。结合电力变压器在线监测油中溶解气体分析（DGA）数据，提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练，优化模型参数，并利用少量有标签样本进行微调。实例分析表明，与基于反向传播神经网络（BPNN）、支持向量机（SVM）的故障诊断方法相比，所提方法的诊断正确率更高。

该工具箱主要用于商业用Matlab软件包使用。Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。大部分函数可以处理的数据集可高达20，000或更多点的数据。LS- SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。

支持向量机非线性回归通用MATLAB源码 支持向量机和BP神经网络都可以用来做非线性回归拟合，但它们的原理是不相同的，支持向量机基于结构风险最小化理论，普遍认为其泛化能力要比神经网络的强。大量仿真证实，支持向量机的泛化能力强于BP网络，而且能避免神经网络的固有缺陷——训练结果不稳定。本源码可以用于线性回归、非线性回归、非线性函数拟合、数据建模、预测、分类等多种应用场合。

matlab最小二乘支持向量机（lssvm）工具箱的实例

基于粗糙集和支持向量机的电力系统短期负荷预测.pdf

行业分类-设备装置-基于支持向量机和RBF神经网络的退化数据缺失插补方法.zip

基于深度学习特征和支持向量机的遥感图像分类.pdf

讨论两类蠓虫的分类问题。利用极大化 “间隔”的思想，将分类问题转化为一个 二次规划及其对偶规划问题，即支持向量 机算法。通过求解此数学规划，得到一线 性分类函数。基于该算法，通过给定的蠓 虫的样本集，建立上述分类模型，求得一 个线性分类函数，为蠓虫

主要介绍了Python SVM(支持向量机)实现方法,结合完整实例形式分析了基于Python实现向量机SVM算法的具体步骤与相关操作注意事项,需要的朋友可以参考下