梯度下降法是机器学习算法更新模型参数的常用的方法之一。 相关概念 梯度 : 表示某一函数在一点处变化率最快的方向向量(可理解为这点的导数/偏导数) 样本 : 实际观测到的数据集，包括输入和输出(本文的样本数量用 m 表述,元素下标 i 表示) 特征 : 样本的输入(本文的特征数量用 n 表示,元素下标 j 表示) 假设函数 : 用来拟合样本的函数，记为 $ h_θ(X) (θ 为参数向量, X 为特征向量)$ 代价函数 : 用于评估模型拟合的程度，训练的目标是最小化代价函数，记为 J(θ)J(θ)J(θ) 通过代价函数使得假设函数更好的拟合给定数据 线性假设函数 : $ h_θ(X) = θ_

Java平台上的距离向量路由协议的模拟程序。提供给定的配置文件（ConfigA.txt，包含相邻路由的端口号和距离）时，自动计算出网络中到达各个路由的距离。当路由挂起或关闭时，其它路由可以检测到路由点的消失并重新计算距离

自己学习ＳＶＭ支持向量机的学习笔记，对我自己用处比较大，对你们不知道大不大

基于支持向量机的图像识别

【预测模型】基于灰狼算法优化支持向量机SVM实现分类matlab源码.zip

利用带双步位移的QR分解法，求矩阵的全部特征值和特征向量，利用到拟三角化，反幂法，在VC中调试通过

支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断

准确及时的每月降雨量预报是水文研究等科学界面临的主要挑战，例如河流管理项目和洪水预警系统的设计。 支持向量回归（SVR）是一个非常有用的降水预测模型。 本文提出了一种新的并行协同进化算法，基于遗传算法和粒子群优化算法SVRGAPSO的并行协同进化，可以确定SVR在降雨预测中的合适参数，用于月降水预测。 并行协同进化算法的框架是同时迭代两个GA和PSO种群，这是GA和PSO种群之间进行信息交换以克服过早的局部最优的一种机制。 我们的方法采用混合PSO和GA，通过并行协同发展来获得SVR的最佳参数。 所提出的技术可用于降雨预报，以测试其概括能力并与几种竞争技术进行比较评估，例如其他替代方法，即SVRPSO（带PSO的SVR），SVRGA（带GA的SVR）和SVR模型。 实证结果表明，SVRGAPSO结果具有较好的泛化能力，在降雨预报中具有最低的预测误差值。 SVRGAPSO可以显着提高降雨预报的准确性。 因此，SVRGAPSO模型是降雨预报的有希望的替代方法。

SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

设计思想：用带双步位移的QR分解法求矩阵A（10*10）的全部特征值。在计算出A的基础上，先利用Householder矩阵对矩阵A作相似变换，把A化为拟上三角矩阵A(n-1)，然后进行带双步位移的QR分解（其中Mk的QR分解可调用子程序），通过调用一元二次方程的根解二阶块矩阵的特征值，最后计算出A(n-1)的特征值，即为A的特征值，然后对实特征值利用列主元高斯消元法求解其对应的特征向量。