附件为SVM模型应用案例的源文件及代码。

matlab中svm图片分类代码pointCloudsClassification 该Matlab代码实现了Andrew E. Johnson和Martial Hebert撰写的论文中的解决方案。 目标是识别代表道路上的物体​​（行人，汽车等）的3D点云。 属性的选择基于本文的建议。 我们使用了有关点的强度，边界框以及属性散布度，线性度和表面度的统计数据。 由于与其他班级相比，一个班级的代表人数过多，因此我们也重新平衡了班级人数。 “ dish_area”文件夹包含用于二进制分类的代码，该代码适用于菜式区域数据集。 此代码比较了高斯SVM，线性SVM和k-means算法。 “ lomita”文件夹包含用于多类别分类的代码。 我们使用了线性支持向量机，并比较了一种策略与所有策略以及一种策略与一种策略。 对于一个SVM与一个SVM，使用了2个超参数调整策略：在第一个中，为每个SVM一对一地选择超参数。 在第二个（“简化”）中，对所有SVM使用相同的超参数值 该代码是为学校项目创建的。

该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。

该数据集为svm练习过程中所用到的数据集，对应博客内容进行练习

近年来随着盲检测算法的提出，越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值，检测性能会受到影响等问题，提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知，通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器，无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明，该方法比MME算法和CAV算法的检测概率有所提高，并且比SVM减少了感知时间，具有良好的实用性。

LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

基于yolov5的人脸识别demo，使用celeba训练yolov5，具体详见工程文件中的README，通过借鉴github上mtcnn-facenet，还有不足，不喜勿喷，谢谢。

matlab源码

利用SVM+PCA降维分类，程序中采用的数据集是ORL人脸库，该人脸库共有400副人脸图像，40人，每人10幅，大小为112*92像素，同一个人的表情，姿势有少许变化。 程序的流程主要分为三部分，数据的预处理(PCA降维和规格化)，数据的训练阶段，数据的识别阶段

基于麻雀搜索算法优化的SVM数据分类预测.rar