具体描述见 使用pytorch框架编写网络，使用pyqt5编写界面。基于多层感知机、支持向量机、以及transformer编码器的医疗辅助决策程序，可用于相关课程大作业。包含的transformer编码器结构，使用了vit（vision transformer）的网络结构。

若无积分下载，可在微信公众号“我有一计”后台回复“SVM”获取

1.解压wlsvm.zip在lib目录下得到 libsvm.jar和wlsvm.jar两个文件，将其拷贝到weka安装目录下 2.修改位于weka安装目录下的RunWeka.ini文件 修改cmd_default=javaw -Dfile.encoding=#fileEncoding# -Xmx#maxheap# -classpath "#wekajar#;#cp#" #mainclass# 为cmd_default=javaw -Dfile.encoding=#fileEncoding# -Xmx#maxheap# -classpath "#wekajar#;#cp#;libsvm.jar" #mainclass#

基于BA-SVM及大数据的物资信息价预测.pdf

参考学习

图像分类算法：第一张图像显示的是提取到的HOG特征，这个主要可以初步了解下特征是否选择的合适，不合适可以调节extractHOGFeatures里面的参数，如cellsize,blocksize,bins等，具体可以参考这个点击打开链接 http://cn.mathworks.com/help/vision/ref/extracthogfeatures.html?searchHighlight=extractHOGFeatures&s_tid=doc_srchtitle。本程序选择的默认参数，从图1可以预览到特征分别合适。

SVM算法在统计分类以及回归分析中得到了广泛的应用。而随着物联网的迅速发展，SVM算法在各种应用中往往需要解决大量数据的快速处理问题。在SVM算法并行化研究中，首先对SVM算法进行分析研究，提出了基于CUDA的SVM算法并行化方案；其次，进一步研究海量数据的处理，提出海量数据处理的并行化方案；最后，通过实验分析对比了并行化算法的性能。

HOG特征 HOG(Histograms of Oriented Gradients)梯度方向直方图 通过利用梯度信息能反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化．在论文Histograms of Oriented Gradients for Human Detection中被提出． HOG特征的提取过程为: Gamma归一化； 计算梯度； 划分cell 组合成block，统计block直方图； 梯度直方图归一化； 收集HOG特征。 Gamma归一化: 对图像颜色进行Gamma归一化处理，降低局部阴影及背景因素的影响． 计算梯度: 通过差分计算出图像在水平方向上及垂

人脸识别实战：使用Opencv+SVM实现人脸识别,详见：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/121973738?spm=1001.2014.3001.5501

基于svm的情感识别系统，有gui界面，特征提取是用mfcc。