主泵是核电厂非常重要的设备，它直接关系到整个核动力装置能否安全运行，对其进行有效的故障诊断十分必要。支持向量机(SVM)具有使用较少的训练样本达到较好分类效果、不需要故障分类的先验知识的特点，可以应用于主泵的故障诊断。为此，首先使用小波变换提取某主泵的转子质量不平衡、转子不对中、碰摩等-Z-种典型故障的故障信息，然后使用最小二乘支持向量机(LS SVM)方法对故障模型进行训练，最后对训练得到的模型进行故障诊断。诊断结果较好，从而验证了该方法的有效性。

matlab源码

动画化神经网络的优化轨迹 loss-landscape-anim允许您在神经网络的损耗格局的2D切片中创建动画优化路径。 它基于 ，如果要添加自己的模型，请遵循其建议的样式。 请查看我的文章以获取更多示例和一些直观说明。 0.安装 从PyPI： pip install loss-landscape-anim 从源头上讲，您需要。 克隆此存储库后，请运行以下命令以安装依赖项。 poetry install 1.基本范例 使用提供的和默认的多层感知器MLP模型，您可以直接调用loss_landscape_anim来获得示例动画GIF，如下所示： # Use default MLP model and sample spirals dataset loss_landscape_anim ( n_epochs = 300 ) 注意：如果您在笔记本电脑上使用它，请不要忘记在顶部包括以

Kaggle-EEG：使用机器学习从EEG数据中预测癫痫发作。 KaggleUni墨尔本癫痫发作预测比赛第三名

支持向量机SVM和核函数的matlab程序集

是高级统计学的题，用MATLAB进行运算的代码，里面涉及主成分分析、聚类分析、SVM拟合、SVM分类.

半监督的svm 数据科学分配解决方案。 使用支持向量机作为基础分类器的半监督分类器的实现。 该数据集是在代码中随机生成的。 依存关系： 麻木 斯克莱恩 分类问题 给定数据： 大量未标记的数据 少量标注数据 能够正确标记未标记数据集中任何样本的人类专家，其费用与新标记样本的数量成正比 目标： 降低成本 提高分类器的准确性 解决方案 该解决方案将具有最高置信度的预测标签添加到标签数据集中。 置信度最低的标签表明分类器需要人工专家的帮助。 这些真实的标签将添加到数据集中，并且成本会增加。 人类专家的提示数量不能超过标记样本的初始数量-标记数据的数量只能加倍。 如果准确性为100％，成本达到先前说明的限制或没有将任何样本添加到标记的数据集中，则算法终止。 例子 设置： 数据集：10000个样本，3个类，每个类2个类，3个信息性特征。 最大限度。 迭代次数：100 数据集中未标记数据的

非线性SVM分类器设计，不同核函数下的样本数据分类图，matlab代码简单易懂

由于风电存在着不确定性，风电功率预测对于接入大量风电的电力系统意义重大。为了提高风电功率的预测精度，本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型。考虑到风力机组的输出有很强的非线性，该模型首先将训练数据按风速大小分成高、中、低3组，然后对各组的风电功率样本序列进行经验模式分解，并建立各个频带分量的支持向量机预测模型，各模型的预测结果等权求和即得到最终的功率预测值。使用风电场现场采集数据的预测结果，验证了该方法的可行性和有效性。

SVM案例（包括数据集）