人体检测多年来一直是人工智能和模式识别的研究热点，并已经有多项成果应用于智能视频监控、车辆辅助驾驶系统等领域。近年来，随着特征提取和机器学习技术的逐步成熟，基于统计学习的方法成为人体检测的主流研究方向。 论文首先介绍了人体检测相关的特征提取和机器学习技术，针对单目视觉中面临的人体深度信息丢失，视频分辨率低、人体姿态的类内散度大等问题，做了深入思考和研究，对现有的一些人体检测方法提出了若干改进方法，主要工作有（1）给出了一种多特征融合的特征描述算子，提出了利用MMSD方法进行特征降维的改进方法。针对单一特征描述能力有限，难以满足人体检测高检测率、低误检率的缺陷，本文融合了人体颜色自相似性和梯度直方图的特征，从色彩和纹理两个方面描述人体，并且针对融合特征维数增大的问题，采用MMSD进行特征降维，降低了训练的计算复杂度，提高了训练速度，训练出的强分类器包含的弱分类器个数更少，提高了检测速度。（2）给出了一种基于多部位的人体检测算法并提出了改进算法。针对基于整体的人体检测算法对于人体姿态变化、部分遮挡鲁棒性较差的问题，采取基于部位检测的方法，利用结合adaboost和级联方法的多示例学习算法对形成的部位多示例样本训练，构建级联分类器，通过级联分类器对样本集的检测建立各部位检测器的联系从而将训练样本映射到低维向量，利用支持向量机对这些向量进行学习，形成人体的最终分类器。（3）设计并实现一个基于视频的人体检测系统。 通过在一些公开的测试视频实验的结果表明，本文提出的改进算法对人体的检测率和误检率都有所改善。设计和实现的系统实现了复杂背景下多姿态、部分遮挡的视频人体检测，具有重要的实用价值。

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