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.

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)：

尽管删除或替换向量的元素很容易，但 Matlab 不提供插入元素的功能。 此函数将在向量中的指定位置插入多个元素。

高考数学平面向量知识点及相关题型收集.docx

支持向量机 (SVM) 是一种广泛用于分类和回归问题的算法。 在 SVM 中，惩罚参数 C 和内核参数会对 SVM 的复杂度和性能产生重大影响。 本文提出了一种最优觅食算法(OFA)来优化SVM的主要参数，减少分类误差。 实验结果表明，所提出的 OFA-SVM 获得了较好的结果。 此外，结果证明了所提出的 OFA-SVM 能够找到 SVM 参数的最佳值。

python学习笔记，包含一般函数-向量化函数-二元运算-ufunc对象

在周期性边界条件下计算 vec 这个函数被函数使用径向分布二维

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。

2022年高三二轮复习精品数学 难点三 与三角变换、平面向量、函数等综合的三角形问题 .docx

【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