SVM支持向量机算法的详细推导(详细到每个步骤_值得推荐)，简单易懂，有清晰的注释以及代码详解，对SVM爱好者来说绝对的福音

学习SVM的好资源，线性分类器，将分类转化为优化问题，其中包括部分证明，讲解了关于线性不可分和软间隔优化还有核函数

向量流水处理机.ppt

带双步位移的QR分解法求矩阵全部特征值， 并对其中的每一个实特征值求相应的特征向量

半监督支持向量机回归模型研究，冀杰，程玉虎，利用支持向量机和K近邻学习器的优点，提出一种半监督支持向量机回归模型。支持向量机通过选择高置信度的未标记样本加以标记，并��

必须确定城市供水系统中特定类别的污染物。 传统的检测方法主要基于常见的水质指标。 然而，由于诸如分析时间长，灵敏度不足，对试剂的需要以及废液的产生等问题，使得检查这些水质指标变得困难。 这些问题阻碍了高频水的检测和监测。 在这项研究中，采用三维（3D）荧光光谱作为水质监测方法。 提出了一种基于二维（2D）Gabor小波和支持向量机（SVM）的多分类识别方法。 用于插值的Delaunay三角剖分方法用于预处理3D荧光光谱，从而消除了瑞利散射和拉曼散射。 提出了由不同比例和旋转角度的滤波器生成的二维Gabor小波函数，以提取光谱特征。 基于Gabor特征描述的块统计方法被用来提高描述光谱特征的效率。 然后，将多个SVM分类器用于污染物分类和识别。 通过将提出的方法与常用的特征提取方法主成分分析进行比较，本研究发现二维Gabor小波和块统计的应用可以有效地描述3D荧光光谱的特征。 此外，二维Gabor小波实现了很高的分类精度，特别是对于特征峰紧密定位或重叠的物质。

使用SVM对数据进行分类

【情感识别】基于支持向量机（SVM）实现语音情感识别matlab源码.zip

我自己改的梯度向量流的matlib程序！希望对别人会有帮助！

二者在形式上有几分相似,但实际上有很大不同。 简而言之，神经网络是个“黑匣子”，优化目标是基于经验风险最小化，易陷入局部最优，训练结果不太稳定，一般需要大样本； 而支持向量机有严格的理论和数学基础，基于结构风险最小化原则, 泛化能力优于前者，算法具有全局最优性, 是针对小样本统计的理论。 目前来看，虽然二者均为机器学习领域非常流行的方法，但后者在很多方面的应用一般都优于前者。 神经网络是基于传统统计学的基础上的.传统统计学研究的内容是样本无穷大时的渐进理论,即当样本数据趋于无穷多时的统计性质,而实际问题中样本数据往往是有限的.因此,假设样本数据无穷多,并以此推导出的各种算法很难在样本数据有限时取得理想的应用效果. 而支持向量机则是基于统计学理论的基础上的,可以克服神经网络难以避免的问题.通过支持向量机在逼近能力方面与BP网络仿真结果的比较表明,支持向量机具有较强的逼近能力和泛化能力.支持向量机因其特有的优越性在将越来越受到各领域的重视,具有很好的应用前景.