对初学者有用，希望给计算机专业的朋友们有指导。

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

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。

机器学习优化算法，模拟退火优化的支持向量机matlab程序

主要功能svm_grid_search使用以下参数执行网格搜索：要使用的内核名称，内核值，boxconstraint值和kktviolatonlevel级别的值。 它给出了带有训练过的 SVM 的输出数组，显示 SVM 是否无法训练（收敛）的数组，以及训练、验证和测试集的准确性。 该功能易于升级和模式。 您可以使用 I/O 结构（在 svm_grid_search_structure 中），或列出所有变量的标准方式（在 svm_grid_search 中）。 对我来说，结构的使用更优雅，当必须在函数之间传递许多相同的变量时，更容易模式化。

matlab中svm中核函数代码Matlab:copyright:/ Octave:copyright:的内核化支持张量火车机（KSTTM）[1] 该软件包包含Matlab / Octave代码，用于Kernelized Support Tensor Train Machines中提到的方法，即K-STTM-Prod和K-STTM-Sum。 要求 Matlab或Octave。 CVX工具箱[3]。 职能 fmri_demo 演示了KSTTM算法的用法。 [K] = kernel_mat（X，N，d，sigma，weight，flag） 给定训练TT格式数据，训练样本数，张量数据的阶数，高斯核参数sigma，张量数据的第一和第二模式的权重，用于K-STTM-Prod和K-STTM-Prod的内核矩阵构造，以及标志。 [Ypred] =预测（XX，alpha，b，X，Y，sigma，d，权重，标志） 针对K-STTM-Prod和K-STTM-Prod的标签预测功能，给出了用于预测的TT格式数据，学习的Lagrange乘数，SVM求解器中的学习偏差，训练TT格式数据，训练数据的标签，高斯核参数sigma，张量数据的顺序，张量数据的

svm_cvx CVX库用于实现硬边距，软边距和非线性内核支持向量机。 数学描述和解释可以在“ SVM应用程序-凸优化最终报告.pdf”中找到。 使用CVX进行ECE 273的SVM实现-凸优化类

在享受着网络技术带来的便利的同时，潜在的威胁在暗处窥探着我们的隐私和安全，例如一种新的网络攻击方式——高级持续型渗透攻击因为其特殊型和高危型逐步受到网络安全从业者的关注。高级持续型渗透攻击由于其颠覆传统病毒的特性，传统的检测方式难以方便的检测其存在和运行，而现有的检测方式有往往伴随着计算资源和时间资源的消耗。因此，基于动态监测APT病毒的目的，笔者采用了行为分析的检测方法，结合MAPREDUCE编程方式和支持向量机算法，得出了一种新的APT检测模型并测算出了分析权重数据。

hog特征提取matlab代码用于图像分类的计算机视觉特征提取工具箱 该工具箱的目的是简化用于图像分类相关任务的常用计算机视觉功能（例如HOG，SIFT，GIST和Color）的特征提取过程。 包含的功能的详细信息在中提供。 除了提供一些受欢迎的功能之外，该工具箱还设计用于与不断增长的现代数据集一起使用-处理是分批完成的，并在一台机器上完全并行化（使用parfor），并且可以轻松地分配跨具有通用文件系统的多台计算机（许多大学中的标准群集设置）。 使用局限性线性编码对以单词袋方式提取的特征（“颜色”，“ hog2x2”，“ hog3x3”，“ sift”，“ ssim”）进行编码，以允许快速使用线性分类器培训+测试。 以我的经验，我发现'hog2x2'或'hog3x3'作为全局图像功能最为有效，并且在与包含互补信息的“颜色”功能结合使用时，往往会表现得更好。 该工具箱可在Matlab和Octave上使用。 八度可能仍然存在一些兼容性问题，并且不支持并行处理。 安装 在使用代码之前，您需要下载此存储库并编译mex代码： $ git clone http://github.com/adikh

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