支持向量机用于可靠性评估，详细介绍了支持向量机和可靠性评估相关理论，并用具体实例验证了模型。

机器学习——支持向量机思维导图

最新 libsvm 3.20 支持向量机

基于信号子空间的ESPRIT算法不需要进行谱峰搜索，但是估计方差大于MUSIC算法。该文提出了一种基于广义特征向量的ESPRIT算法，利用信号子空间旋转不变关系矩阵的广义特征向量估计信号波达方向，得到了比基于广义特征值算法更准确的方向估计结果。该算法充分利用了信号子空间的旋转不变特性，通过利用信号子空间与阵列流形的关系进行波达方向估计，实验证明该算法能够在保持小计算量的优势下达到与MUSIC算法相近的性能。

要运行的文件：mainproc.m 控制向量参数化，也称为直接序列法， 是求解最优控制问题的直接优化方法之一。 直接优化方法的基本思想是将控制问题离散化，然后将非线性规划 (NLP) 技术应用于最终的有限维优化问题。 问题是您希望从时间 $t = 0$ 的 $A=(0,0)$ 转向接近时间 T 的 $B=(4,4)$ 点。运动发生在 $ x_1, x_2$ 平面。 您的控制变量是推力 $u$ 和推力角 $\theta$。 角度 $\theta$ 是从 $x_1$ 轴测量的。 为了让生活变得有趣，在 (3,0) 处有一个大质量，它施加的力与您与质量的距离的平方的倒数成正比。 （详情见发布代码） *问题来自NCSU的“最优控制”课程（由Stephen Campbell博士主持）。

此函数计算一组输入值数组和权重数组的加权算术、调和或几何平均值。 实际上有两种操作模式： 1) 如果只有一个输入值数组和权重数组，则对这个数组中的所有元素计算加权平均值。 用户可以指定要计算加权平均值的维度，或者甚至指定“全部”，在这种情况下，数组被展平并且只返回一个标量值。 2）如果有多个输入值数组和权重数组，则跨N个输入值和权重数组输出逐个元素的加权均值。 例子： 模式一： >> scalarMean = weighted_mean('harmonic',[1 2 3],[0.2, 0.3, 0.2]); %输出是单个标量值 >> arrayMean = weighted_mean('算术',[1 2 3],[0.2, 0.3, 0.2],1); % 输出是一个大小为 (3x1) 的向量 模式二： >> arrayMean = weighted_mean('geometric',

explicit-mpc：基于鲁棒非线性回归和约简支持向量机的基于学习的显式非线性模型预测控制

这段代码实现了一种新的 MLP 神经网络训练方法，称为支持向量神经网络 (SVNN)，在工作中提出：O. Ludwig； “以神经网络和级联分类器为重点的快速模式识别非参数方法研究；” 博士论文，科英布拉大学，科英布拉，2012 年。 输入参数是 L 个代表 N 元素输入向量的 N x L 矩阵，行向量 y，其元素是各自的目标类，应该是 -1 或 1 ，以及隐藏神经元的数量nneu。 与 SVM 类似，SVNN 有一个惩罚参数 C，可以在代码的第 16 行设置。 该算法输出 MLP 参数 W1、W2、b1、b2，它们是 MLP 模拟器“sim_NN.m”的输入参数，它还需要测试数据矩阵以及目标向量（如果目标不可用，必须提供空向量）。 “sim_NN.m”输出估计的类别和准确度，acc（当测试目标可用时）。 该代码是为在四核处理器上运行而开发的。 在双核或单核处理器的情况下，第 53 行和第

使用Resnet50进行图像相似度检测 介绍 给定一批图像，该程序将尝试使用基于Resnet50的特征向量提取来找到图像之间的相似性。 用法 python kreas_resnet50.py会将images文件夹中存在的所有图像python kreas_resnet50.py比较，并为每个图像提供最相似的图像。 先决条件 下载 使下载的Shell脚本可执行并安装 conda -V检查安装是否成功。 conda update conda和conda update anaconda conda update scikit-learn conda install theano conda install -c conda-forge tensorflow pip install keras export MKL_THREADING_LAYER=GNU 注意：有关更多描述性说明

为提高道路交通事故的预测精度以及建模速度，在分析道路交通事故影响因素基础上，提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型采用灰色关联分析完成影响因素的相关性分析，结合关联度值，筛选最小二乘向量机模型的输入变量，简化LS-SVM模型结构；然后运用动态改变惯性权重自适应粒子群算法（DCW-APSO）对模型参数进行优化选取；最后应用模型预测1996—2000年的综合道路交通事故死亡率，并将预测结果与其他模型进行对比分析。结果表明，相较其他预测模型，该模型具有较快的收敛速度，并能明显提高道路交通事故预测的精度。