在两类支持向量机的基础上,综合分级聚类和决策树的思想构造多类支持向量机,从而简化了分类器结构,减少了分类器数量,避免了拒绝分类区的出现,并加快了训练和识别速度。在小样本情况下对多类汽轮发电机组故障进行了诊断研究,结果表明该方法能够正确地对故障进行识别。

个人总结的支持向量机原理，基本摘自其它图书，主要内容如下： 1.首先介绍了学习支持向量机所需要的准备知识，包括VC维的定义、经验风险最小化原则、结构风险最小化原则； 2.重点讲解了支持向量机的原理，首先深入讲解支持向量机的最基础类型——线性可分支持向量机，在此基础上拓展到广义线性支持向量机、非线性支持向量机以及回归支持向量机，并介绍了近来支持向量机的改进算法； 3.给出了使用支持向量机需要注意的问题； 4.最后介绍了支持向量机在控制方面的应用举例。

Stroke_Prediction_6ML_models 该项目使用六个机器学习模型（XGBoost，随机森林分类器，支持向量机，逻辑回归，单决策树分类器和TabNet）进行笔画预测。 为此，我使用了Kaggle的“ healthcare-dataset-stroke-data”。 为了确定哪种模型最适合进行笔画预测，我绘制了每种模型的曲线下面积（AUC）。 AUC越高，模型越好

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。

支持向量机SVM和核函数的matlab程序集

支持向量机SVM训练，分类C源码，包括训练与分类两部分

SVM的理论基础 线性判别函数和判别面 最优分类面 支持向量机 SVM的研究与应用

支持向量机必备工具包，matlab自身并不提供。 使用说明：下载之后，解压放在matlab的安装目录下的toolbox中，然后在matlab的主页，选择“设置路径”—添加并包含子文件夹，选择刚才那个解压的文件，然后保存，关闭。

邓乃扬老师的作品，内容相当详尽。包括最优化基础理论、线性支持向量分类机、线性支持向量回归机、核函数理论、核函数的选取、各种算法等。值得推荐。

利用支持向量机学习并识别minst数据库中的图片，可以实现手写数字识别，所需要的minst数据库需要到minst官网下载