提出了一种神经网络的SVM(支持向量机)呼吸音识别算法，将通过小波分析得到的呼吸音特征输入神经网络，作为SVM方法的特征输入，对训练样本进行训练，再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别，同时与K最近邻(KNN)方法进行比较。实验结果表明，SVM方法具有较高的识别精度，能够对呼吸音状态进行识别，同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于 SVM 方法的神经网络呼吸音识别算法有较好的精度，可为身体局域网技术提供信息处理的有效算法。

这是一个经典的基于matlab的支持向量机算法，包括数据预处理、模型计算、模型预测等，简单易懂。

svm支持向量机原理的介绍以及方法的应用。

svm-gpu 适用于带GPU的多类支持向量机（SVM）库。 这是一种快速且可靠的分类算法，在有限的数据量下性能很好。 支持向量机 ： 支持向量机是有监督的学习模型，可以分析数据并识别模式。 一个特殊的特性是，它们同时最小化了经验分类误差并最大化了几何余量。 因此，它们也被称为最大余量分类器。 支持向量机的优点是： 在高维空间有效。 在维数大于样本数的情况下仍然有效。 在决策函数中使用训练点的子集（称为支持向量），因此它也可以提高存储效率。 多功能：可以为决策功能指定不同的内核功能。 提供了通用内核，但是也可以指定自定义内核。 与神经网络相比，在有限数量的样本（数千个样本）中实现了更高的速度和更好的性能 支持向量机的缺点包括： 如果特征数量远大于样本数量，则在选择内核函数时应避免过度拟合，并且正则化项至关重要。 SVM不直接提供概率估计，而是使用昂贵的五重交叉验证来计

内置麻雀搜索算法优化支持向量机的程序，还有麻雀搜索算法提出的原论文

采用matlab自带的quadprog（）函数对支持向量机模型进行求解。整个文件夹包含测试用数据集，可运行。

人脸识别：使用PCA方法，即主成分分析，区分人脸和非人脸。

SVMImageClassification:基于SVM的简单机器学习分类，可以使用svm, knn, 朴素贝叶斯，决策树四种机器学习方法进行分类

经典SVM算法matlab程序,用于各种利用MATLAB对数据进行SVM仿真的实验。 经典SVM算法matlab程序,用于各种利用MATLAB对数据进行SVM仿真的实验。

文件包含了水平条纹噪声，和点噪声，运用二维傅里叶变换通过matlab编程实现对噪声的去除。