好东西共同分享。。。试用版，对时间序列的预测，希望对大家有用

分析了支持向量的性质和增量学习过程，提出了一种新的增量学习算法，舍弃了对最终分类无用的样本，在保证测试精度的同时减少了训练时间。最后的数值实验和应用实例说明该算法是可行、有效的。

模拟退火算法优化支持向量机、模拟退火算法优化支持向量回归机，完整的Matlab代码，可以直接运行，有详细的代码注释

数学建模源码集锦-支持向量机的分类应用实例

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。