支持向量机完整版（SVM）可以用来进行设别训练-Full version of support vector machine (SVM) can be used to set up other training

利用支持向量机算法进行手写字体识别利用支持向量机算法进行手写字体识别。。。。。。

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

如果您传入 2 个向量，它会返回向量之间的非标准化距离、它们之间的累积距离、扭曲路径的长度（标准化因子）、扭曲路径点和两个扭曲的输入向量。 如果选择 pflag=1，您也可以绘制结果

针对电网负荷预测时点预测误差相对较大的问题，本文提出一种模糊信息粒化支撑向量机的负荷预测方法。该方法采用支撑向量机为短期负荷预测的基本算法，结合了模糊信息粒化模型，通过三角型隶属函数对选定时间窗口的历史数据进行粒化，得到该时间窗口内数据变化的最小、平均和最大值，进一步结合支撑向量机进行训练与预测，实现了电网负荷的点预测和区间预测。以西安地区日负荷历史数据为例进行了算例分析，结果表明：本文提出的方法在进行点预测时精度高，平均误差为2.24%；能够对一定时间范围内的负荷变化情况和变化趋势进行预测，负荷数据真值全部落在所得的预测区间内。本文提出的方法对电网调度计划安排工作有一定意义。

向量的运算借鉴.pdf

通过对支持向量机的应用，解决两类经典问题：鸢尾花数据集分类及数字图像识别，并注释原理，帮助大家学习理解

使用gensim对维基百科作为预训练语料（约1.6G语料），生成词汇量约13000个词汇，维度为300，文件大小为45.6MB。使用方法，参考博客：https://blog.csdn.net/qq_36426650/article/details/87738919

计算协方差矩阵的特征向量和特征值 eigenvectors：协方差矩阵C的特征向量 eigenvalues：协方差矩阵C的特征值 特征矢量组成模式矢量 求出特征值后，按照特征值由大到小排序，给出重要级级别 对相应位置的特征向量按照特征值位置变化进行调整 C

基于 LMS 训练实现低复杂度分类器基于简单 RBF 单元的非线性扩展特征空间。 单位的中心是从使用基于新颖性的简单搜索算法训练样本检测。 相关论文： R. Dogaru，“具有简单构造的面向硬件的分类器基于支持向量的训练”，在 CSCS-16 的 Proceedings of CSCS-16 中， 第 16 届控制系统和计算机科学国际会议， 2007 年 5 月 22 - 26 日，布加勒斯特，第 1 卷，第 415-418 页。 多加鲁，R。 多加鲁, I., “使用支持向量的高效有限精度 RBF-M 神经网络架构” 电气工程中的神经网络应用 (NEUREL)，2010 年第 10 届研讨会数字对象标识符：10.1109/NEUREL.2010.5644089 出版年份：2010 年，页数：127 - 130