近年来, 卷积神经网络模型常常被用于文本情感分类的研究中, 但多数研究都会忽略文本特征词本身所携带的情感信息和中文文本分词时被错分的情况. 针对此问题, 提出一种融合情感特征的双通道卷积神经网络情感分类模型(Dual-channel Convolutional Neural Network sentiment classification model fused with Sentiment Feature, SFD-CNN). 该模型在构造输入时以一条通道构造融合情感特征的语义向量矩阵以获取到更多的情感类型信息, 以另一条通道构造文本字向量矩阵以降低分词错误的影响. 实验结果表明, SFD-CNN模型准确率高达92.94%, 要优于未改进的模型.

针对现有预测方法未能充分揭示交通流内部的本质规律，提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型，利用差分去除交通流数据的趋势向，用深度信念网络模型进行交通流特征学习，在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明，提出的预测模型与传统预测模型相比具有更高的预测精度，预测性能提高了18.01%，是一种有效的交通流预测方法。

改进的AdaBoost-SVM算法用于对等网络贷款平台的安全性和风险进行分类。 由于SVM算法难以处理稀有样本并且训练缓慢，因此使用规则采样来减少分类噪声。 然后，通过学习机的组合，可以识别P2P风险。 结果表明，IAdaBoost算法可以提高风险平台分类的准确性。 分类误差可控制在5％以内。

航拍图像往往具有场景复杂、数据维度大的特点，对于该类图像的自动分类一直是研究的热点。针对航拍原始数据特征维度过高和数据线性不可分的问题，在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法。首先学习核字典并通过核字典获取目标样本的稀疏表示，挖掘数据的内部结构；其次采用线性鉴别分析，加强稀疏表示的可分性；最后利用支持向量机对目标进行分类。实验结果表明，与传统基于子空间特征提取的算法和基于字典学习的算法相比，基于核字典学习与鉴别分析的算法分类性能优越。

通过对信息过滤一般过程的分析，提出了一种基于内容的网络异常信息过滤方法。在源信息采集方面，建立了网络信息捕获构架，基于协议分析实现网络数据的提取；在信息内容处理方面，采用设立切分标志进行文本信息的预处理，在此基础上，基于向量空间模型实现文档的结构化表示；在信息匹配算法方面，通过计算文档向量之间的相似度，实现网络信息的有效过滤。

最小二乘支持向量机构造的函数链接型神经网络

结合相空间重构理论和统计学习理论.实现混沌时间序列的多步预测.采用微熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立混沌时间序列的多步预测模型,并与径向基函数网络预测模型比较.结果表明,所建立的模型能够捕捉到原混沌系统的动力学特征.前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差,泛化能力较强,其预测效果较好.

这个 m 文件返回 A 到 B 的投影向量。A 和 B 必须是相同长度的向量。

SVM-Chinese-Classification 利用支持向量机实现中文文本分类 先放，如果觉得写得不错，记得加个star哦，嘻嘻～ 基本流程 1、准备好数据食材、去停用词并利用结巴**(jieba)进行分词处理** 数据食材选用参考： jieba分词模块参考啦～ # 参照代码中的cutWords.py文件 2、利用卡方检验特征选择 **卡方检验：**在构建每个类别的词向量后，对每一类的每一个单词进行其卡方统计值的计算。 首先对卡方 检验所需的 a、b、c、d 进行计算。 a 为在这个分类下包含这个词的文档数量; b 为不在该分类下包含这个词的文档数量; c 为在这个分类下不包含这个词的文档数量; d 为不在该分类下，且不包含这个词的文档数量。 然后得到该类中该词的卡方统计值 公式为 float(pow((ad - bc), 2)) /float((a+c) * (a+b) * (b+

这组小而基本的例程是由于我需要在地磁应用的背景下创建和操作真实的球谐系数。 这些系数被保存为向量，因为 Matlab 中的向量操作非常发达。 该工具箱支持访问对应于特定阶数 l 和阶数 m 的系数（其中负 m 对应于 sin(m*phi)，正 m 对应于 cos(m*phi) 项）； 将向量映射到矩阵并返回； 使用施密特半归一化球谐函数和基本绘图映射到网格。 由独立系数集的几个“部分”组成的向量也在某种程度上得到支持（在我的情况下，它们对应于地球不同层的参数化）。 还包含一组函数，用于将其与 FJ Simons 公开提供的 DOTM 库集成。 为了使用 SHRotateVec（球谐系数的旋转），请安装他的库http://geoweb.princeton.edu/people/simons/software.html 受 Fortran SHTOOLS 软件启发的名称http://w