此函数为输入图像创建自相关图向量任何尺寸。 先验假设的不同距离可以在向量中由用户定义。 它实现了 Huang 等人定义的算法。 论文“使用彩色自测图的图像索引” 输入： I=代表彩色图像的uint8矩阵distance_vector= 代表不同距离的向量计算颜色分布。 输出： correlogram_vector=这是一个直线向量，表示64 种量化颜色的出现概率。 它的总维数是64n X 1； 其中 n 是不同 inf 范数距离的数量 用法：（为用户定义的距离创建自相关图向量） I=imread('peppers.png'); 距离向量=[1 3]; correlogram_vector=color_auto_correlogram(I,distance_vector); 联系作者： Soumyabrata开发电子邮箱：soumyabr001@e.ntu.edu.sg http:/

为了使数据集的内在分布更好地影响训练模型, 提出一种密度加权孪生支持向量回归机算法. 该算法通过?? 近邻算法计算获得每个数据点基于数据密度分布的密度加权值, 并将密度加权值引入到标准孪生支持向量回归机算法中. 算法能够很好地反映训练数据集的内在分布, 使数据点准确影响训练模型. 通过6 个UCI 数据集上的实验结果分析验证了所提出算法的有效性.

IRQ号和中断向量号 中断控制器对输入的IRQ线从0开始顺序编号 IRQ0，IRQ1，… Intel给中断控制器分配的中断向量号从32开始，上述IRQ线对应的中断向量依次是 32+0、32+1、… 可以对中断控制器编程： 修改起始中断向量的值，或 有选择的屏蔽/激活每条IRQ线 屏蔽≠丢失

针对疲劳驾驶的六种表情 ,提出几何规范化结合 Gabor滤波提取表情特征 ,使用支持向量机对疲劳驾驶的面部表情分类识别的系统。首先对视频图像预处理进行几何规范化 ,利用二维 Gabor核函数构造最优滤波器 48个,获取 48个面部表情特征点 ,最后利用支持向量机进行面部表情分类识别。实验结果表明径向基函数的 SVM性能最好。

基于Hadoop的文本相似度计算的代码 是用TFIDF 和向量空间模型，IKAnlayze来弄的 有代码，只是用来参考的 只是一个算法的演示，用于保存，以后查看的

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：Python 版本：V1.1 --------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 -------------------------------------------- 主要功能 1. 基于 sklearn.base 的 SVDD BaseEstimator 2. 支持单值分类和二值分类的超球体构建 3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid) 4. 支持 2D 数据的决策边界可视化 --------------------------------------------- 依赖库 cvxopt matplotlib numpy scikit_learn scikit-opt (可选，仅用于参数优化)

支持向量机(SVM)的序贯最小优化(SMO)算法 包结构 src |—— libsvm 林智仁教授的Libsvm核心源码 |—— MySMO 通过看支持向量机导论实现的SMO算法，只实现了高斯核 |—— smo1 参考国外的例子 |—— smo2 参考国外的例子

最小二乘支持向量机论文打包-支持向量机.rar 收集的最小二乘支持向量机相关论文，打包分享~~~

矩阵的特征值与特征向量的计算的matlab实现，幂法、反幂法和位移反幂法、雅可比(Jacobi)方法、豪斯霍尔德(Householder)方法、实对称矩阵的三对角化、QR方法、求根位移QR方法计算实对称矩阵 的特征值、广义特征值问题~都是分析配源程序还有例题分析,其中还包含好几份这方面的实验报告。绝对的好资源，我的目的直接，绝对满足你在数值分析或是数值代数方面对特征值、特征向量的所有要求！！！！ 5分绝对划算，因为这些资源可以算是csdn上所有这方面知道的一个集中，我花了将近70分将所有这些下载来，现在打包全给您了，绝对划算！！！！！

为提高基于EOG的眼动信号分类算法精度，改进基于EOG的人—机交互系统性能，提出了一种基于曲线拟合（curve fitting）与支持向量机（SVM）的眼动信号分类算法（CF-SVM），并设计了新的实验范式，增加了“扫视保持”环节。该算法采用曲线拟合方法进行特征提取，在此基础上，使用SVM分类器对眼动信号进行分类。实验室环境下，对9名眼部活动正常的受试者进行了眼动数据采集与识别，CF-SVM算法的平均分类准确率达到98.3%，与其他几种眼动识别方法相比较，其平均正确率分别提升了9.4%、5.9%、1.0%。实验结果表明，CF-SVM算法在眼动信号识别中表现了良好的性能，具有高的分类精度和鲁棒性。