数学建模源码集锦-支持向量机的回归拟合应用实例

基于非并行支持向量机的多视图学习

匝道损耗非并行支持向量机用于模式分类

针对GMM应用于情感识别时区分能力较弱的缺点，提出了一种将GMM与SVM有效结合的算法:基于GMM-UBM多维概率输出的SVM语音情感识别方法。该方法将GMM-UBM模型对一条语音的情感特征参数的两种多维概率输出（与特征向量同维、与GMM阶数同维）作为SVM分类器的特征参数，既利用了GMM表征数据本身统计特性的能力，又保留了SVM判决能力强的特点。在柏林情感语音库与汉语情感语料库上进行的实验结果表明，该方法在语音情感识别上的平均识别率较标准GMM方法提高1.7%3.7%。

基于支持向量机的长波红外目标分类识别算法

训练支持向量机（SVM）需要解决非常大的二次规划（QP）优化问题。 传统方法（例如，牛顿法）用于解决此问题，这可能导致训练缓慢并占用大量内存，尤其是对于大型训练集。 这些缺点限制了SVM的应用。 为了提高支持向量机的训练速度并减少存储需求内存，本文提出了一种通过从原始集合中提取边界样本来减少训练数据量的新方法。 人工集和UCI集用于测试我们方法的性能。 当训练集是线性可分离的时（例如LS-600和LS-1600），压缩率可以达到93.8％和98.7％，而准确性都达到100.0％。 该方法在非线性情况下的性能仍然很好。 实验结果表明，该方法可以减少训练数据的数量，保证分类的准确性。

为了改善差分灰狼预测算法的早熟收敛、搜索能力不均衡、容易陷入局部最优等问题,提出了一种改进的混合灰狼优化(HGWO)预测算法,可自适应改进和调整差分进化中的变异算子、交叉算子和变异策略。嵌入具有分类预测功能的支持向量机(SVM),同时引入莱维飞行全局搜索更新狼群位置,优化SVM核函数参数γ和惩罚因子C,构建了HGWO-SVM预测算法预测推焦车大车道内物体的运动轨迹。结果表明,与已有算法相比,该算法对行人、自行车、电瓶车、电动三轮车、大中小型四轮汽车的位置预测相对实际值的误差分别降低了4.21、4.14、7.91、2.03、25.53个百分点,预测时间减少了8.8~10 s。可以克服焦炉恶劣的环境影响,准确预测推焦车车道内运动对象的轨迹,为推焦车无人化运行提供主动安全的预测控制方法。

python利用支持向量机SVM进行时间序列预测, 包括数据和python代码 python利用支持向量机SVM进行时间序列预测, 包括数据和python代码

基于优化最小二乘支持向量机的负荷预测

神经网络仿真作业，设计支持向量机实现一对数组的函数拟合P=-1：0.1：1T=[-0.96 -0.577 ..... .....]使用支持向量机相应的回归函数svr， svrplot ， svroutput进行函数拟合的仿真实验中采用rbf核函数，惩罚因子取100，控制回归精度的不敏感参数为0.02