提出了一种基于多特征提取和支持向量机(support vector machines,SVM)参数优化的车型识别方法,此方法解决了采用单一特征容易受到光照、天气、阴影等环境影响的问题,并且可以对运动中的车辆进行车型识别。首先,采集车辆样本并进行图像预处理,提取车辆的几何特征、纹理特征和方向梯度直方图(histogram of oriented gradient,HOG)特征;其次,将提取的多种特征量进行组合测试,并与单个特征量的测试结果进行比较;最后,采用粒子群算法优化SVM的参数并使用优化的SVM参数进行运动车辆的车型识别。实验结果表明:提出的多特征提取和SVM参数优化相结合的车型识别方法能够取得很好的识别效果,识别率达到90%以上。

由于软件版本等原因，网络上好心人分享的《MATLAB神经网络30个案例分析》的第29章“支持向量机的回归拟合——混凝土抗压强度预测”的代码，在MATLAB2016上运行后有问题，现将修改、亲自运行验证后的代码分享，让有相似研究经历的小伙伴不再走弯路，共勉！

基于Django构建在线文本分类预测系统代码、模型、数据集：SVM模型在线预测与部署 基于 Django 3.2 框架，参考博客：https://blog.csdn.net/wangyaninglm/article/details/116334297

SVM与神经网络（NN）的对比 SVM的理论基础比NN更坚实，更像一门严谨的“科学”（三要素：问题的表示、问题的解决、证明） SVM —— 严格的数学推理 NN —— 强烈依赖于工程技巧 推广能力取决于“经验风险值”和“置信范围值”，NN不能控制两者中的任何一个。 NN设计者用高超的工程技巧弥补了数学上的缺陷——设计特殊的结构，利用启发式算法，有时能得到出人意料的好结果。

SVM的一个实例，对不同葡萄酒分类，有原始数据-Matlab code for SVM, classifing types of wine, with original data.

pso-SVM_PSO优化参数_psosvm_SVM优化matlab_svm优化_SVM_源码.zip

基于MATLAB下的支持向量机（SVM）GUI页面，可以实现分类和回归功能，并且里面有自己的详细说明，简单方面容易上手，并且还有相应的“libsvm-mat-2.89-3加强工具箱”和“libsvm-3.1-[FarutoUltimate3.1Mcode]”两种版本，可以实现SVM三种寻优方法 grid search、GA、PSO,童叟无欺。

该论文系列是我花钱购买的，里面详细讲述了基于SVM的web文本分类的关键技术，解决的问题和创新点，可以为广大学习文本分类的朋友提供很好的参考资料，也能为SVM的初学者建立一个宏观的框架概念，也能为做毕设或研究的提供很大的帮助。

支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。

提供的 MATLAB 函数可用于使用基于树状图的支持向量机 (D-SVM) 对数据集进行训练和执行多类分类。 两个主要功能是： Train_DSVM：这是用于训练的函数Classify_DSVM：这是用于 D-SVM 分类的函数示例：使用fisheriris 数据进行训练和分类加载fisheriris train_label={zeros(30,1),ones(30,1),2*ones(30,1)}; train_cell={meas(1:30,:),meas(51:80,:),meas(101:130,:)}; [svmstruct] = Train_DSVM(train_cell,train_label); 标签=[0 1 2]; test_mat=[meas(31:40,:);meas(81:90,:);meas(131:140,:)]; [Class_test] = Classif