Matlab环境下 基于Kruppa方程的GAPSO算法的相机内参数标定

isight应用实例，帮助初学者快速掌握isight使用方法

基于改进粒子群算法的水轮机调速器参数优化，详细讲解模型建立，算例求解

标准粒子群算法程序，函数优化，参数优化，可用于PIDNN.

在案例12中我们采用SVM来做分类预测,达到了较满意的结果,但用SVM做分类预测时需要调节相关的参数(主要是惩罚参数c和核函数参数g)才能得到比较理想的预测分类准确率,那么SVM的参数该如何选取呢?有没有最佳的参数呢?采用cross validation的思想可以在某种意义下得到最优的参数,可以有效的避免过学习和欠学习状态的发生,最终对于测试集合的预测得到较理想的准确率.采用实例验证表明,用cross validation选取出的参数来训练SVM得到的模型比随机的选取参数训练SVM得到的模型在最后分类预测上更有效.

本文研究了两种灰色系统预测模型的预测能力。 Deng [1] [2]提出的原始灰色GM（1,1）预测模型，以及Ji等人提出的改进的Gray GM（1,1）模型。 [3]用于预测百慕大的医疗旅游需求。 本文还介绍了一种用于优化alpha（权重）参数的准优化方法。 使用四个数据点估算模型后，将提前五个步骤进行样本外预测。 结果表明，阿尔法参数的优化大大提高了模型的预测精度。 将两个模型的样本外平均绝对百分比误差的五个步骤从大约7％降低到大约3.80％。 很大程度上，在没有大量高质量数据的情况下，预测方法显示出巨大的潜力来替代传统的预测方法。

支持向量机 (SVM) 是许多分类问题的有效模型。 然而，SVM 需要二次规划的解决方案，需要专门的代码。 此外，SVM 有很多参数，影响了 SVM 分类器的性能。 最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。 在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。 在本文中，已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。

SVM的参数优化——如何更好的提升分类器的性能

SVM的参数优化——如何更好的提升分类器的性能，含有源程序和代码

随附的 ZIP 文件包含使用 SonnetLab Toolbox for MATLAB:registered: 的教程。 SonnetLab 是一个免费的 MATLAB:registered: 工具箱，使用户能够控制和自动化 Sonnet 的 3D 平面电磁模拟器。 附加的脚本将以单个短截线的形式打开现有的十四行诗项目，并优化短截线的长度以在 5 GHz 下提供低回波损耗。 原始电路包含控制存根长度的尺寸参数，优化例程修改参数值以生成项目的十次迭代。 随附的档案包括详细描述每一行代码的文档。 本教程需要最新版本的 SonnetLab。 SonnetLab 可从 Sonnet Software 网站下载： http ://sonnetsoftware.com/support/sonnet-suites/sonnetlab.html 请注意：SonnetLab 是与 Syracuse University 共同开发的，不是 So