用机器学习中有监督学习模型支持向量机SVM来进行强对流天气的识别和预报。 强对流天气的发生可以看作是小概率事件，因此强对流天气的预警问题可以作为不平衡数据分类问题来处理。在SVM的应用上结合判别准则来对不平衡数据进行处理，更好的对强对流天气进行预警。本文从数据的获取、训练算法的选择、算法的应用、实验结果的评估几个方面进行了详细的描述。通过采用丹佛地区的数据进行大量试验，排除了不平衡数据对分类的干扰，提高了强对流天气识别的准确度。

该模型解释了基于空间矢量调制的感应电机驱动的 V/F 控制，以及通过 1 相整流馈入逆变器的直流电源。 SVM 是由直流母线电压设计的。

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

需要用到的spam.text(垃圾邮件)，ham.txt(非垃圾邮件)。（记得转换成UTF-8格式）以及stop_words.utf8

作为全球女性中最常见的癌症之一，乳腺癌引起了研究人员的最多关注。 经证实，准确及早发现乳腺癌可以增加患者采取正确治疗方案并长期生存的机会。 本文旨在探讨可用于从常规血液分析数据预测乳腺癌的生物标志物的范围。 支持向量机（SVM）已经为癌症分类领域做出了重要贡献。 然而，不同的核函数配置及其参数会显着影响 SVM 分类器的性能。 为了提高 SVM 分类器对乳腺癌诊断的分类精度，本文提出了一种新的癌症分类算法，该算法基于使用网格搜索算法的智能算法优化 SVM 分类器的相关参数这些参数是： 高斯径向基函数 (GRBF) 核SVM分类器的参数g和C惩罚参数。 我们的实验表明，使用网格搜索的 SVM 参数优化总是在给定范围内找到接近最佳的参数组合，以评估所提出模型的性能，使用取自 UCI 库的乳腺癌科英布拉数据集。 在这个数据集时代，使用了体重指数 (BMI)、葡萄糖、胰岛素、稳态模型评估 (HOMA)、瘦素、脂联素、抵抗素和趋化因子单核细胞趋化蛋白 1 (MCP1) 属性。 在该数据集上将所提出方法的性能与其他方法的性能进行比较。 获得的结果显示了对最先进算法的改进，具有改进的性能参数，例如疾病预测准确性、灵敏度和更好的 F1 分数等。 资金声明：作者表示，这项研究没有获得外部资金。利益声明：作者声明没有利益冲突。道德批准声明：不需要。

基于svm的情感识别系统，有gui界面，特征提取是用mfcc,matlab源码

基于PCA算法和SVM的人脸识别系统.pdf

bagging算法代码matlab

浙江大学的SVM(支持向量机)课件，介绍详细、易懂。

中文、微博、情感分析、SVM模型实现、DNN模型实现。微博评论数据集7962条，其中包含积极和消极情感倾向。主要做法如下： 实现语言：python、tensorflow==1.12、keras==2.2.4 一是基于传统文本特征表示的稀疏性，结合当前成熟技术，设计并实现了基于Word2vec的词向量训练方法，该方法可以将词表示为具有语义关系的特征向量形式，方便模型的使用。 二是采用自然语言处理常用技术完成对文本的预处理操作，既是完成了数据的预处理过程。 三是研究并实现了SVM和DNN两个最具代表性的模型在中文情感分析领的应用，完成了大数据的数据挖掘过程。并在已有的数据集上进行了实验，由具体实验结果我们发现SVM神经网络模型取得了78.03%的F值，较DNN(88%)方法低了9%，但是其训练速度较快。