基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究

为了解决视频烟雾检测中特征提取难度较大、复杂度较高的问题,提出一种基于潜在语义(Latent Semantic Analysis,LSA)特征和支持向量机(Support Vector Machine,SVM)的烟雾检测算法。该算法首先将烟雾图像库中的每幅图像进行有重叠分块,提取每个分块的小波纹理与HSV颜色特征;再对所有分块特征进行聚类,量化成"视觉字",并且根据每个"视觉字"在每幅烟雾图像中出现的频率,建立"词-文档"矩阵;然后,采用LSA的方法获得每幅烟雾图像的潜在语义特征;最后,结合SVM,实现视频烟雾检测。对比实验表明,该算法特征提取简便,可以更快检测烟雾的发生,提高了烟雾检测效率。

使用MATLAB工具箱 libsvm实现了对葡萄酒的多分类 有完整的过程 简单修改就可以用 注释详细

本文介绍了python 支持向量机非线性回归SVR模型，废话不多说，具体如下： import numpy as np import matplotlib.pyplot as plt from sklearn import datasets, linear_model,svm from sklearn.model_selection import train_test_split def load_data_regression(): ''' 加载用于回归问题的数据集 ''' diabetes = datasets.load_diabetes() #使用 scikit-lear

澳大利亚预测明天是否会下雨，kaggle下载的原数据集，但在博客文章向量机专题04中在15w行的数据集中随机抽样5000个样本进行演示

针对非平衡数据分类问题,提出了一种改进的SVM-KNN分类算法,在此基础上设计了一种集成学习模型。该模型采用限数采样方法对多数类样本进行分割,将分割后的多数类子簇与少数类样本重新组合,利用改进的SVM-KNN分别训练,得到多个基本分类器,对各个基本分类器进行组合。采用该模型对UCI数据集进行实验,结果显示该模型对于非平衡数据分类有较好的效果。

基于SVM(支持向量机) 的人脸识别 matlab 代码

支持向量机SVM所使用的数据集，包括非线性数据集train_kernel.txt 及test_kernel.txt；train_linear.txt 及test_linearl.txt;train_multi.txt 及test_multil.txt。

对支持向量机进行了详细的介绍和分析，4份ppt从介绍到详细应用都有。

常见的主动学习方法分为三类，分别是基于membership的主动学习，基于流的主动学习和基于池的主动学习。本文针对基于池的主动学习方法研究，通过对无标记的数据进行价值评价，然后价值高低的排序，从而得到最佳无标签数据，并且进行对最佳的无标签数据打标，并入到训练集合中，最后进行模型和分类器的训练，以便得到最佳效果。 具体来说，使用基于熵的不确定性方法和基于margin策略的不确定性度量方法进行价值评价，在无标签数据中，找到奇异样本点，也就是最有价值的样本点，然后进行打标，进入到训练样本中。最后进行支持向量机，贝叶斯分类器和最近邻三种分类器训练，并且在UCI的三个数据集合上进行实验，相比随机样本，基于熵的不确定方法和基于margin策略的不确定主动学习方法，其分类准确率更高。