主要功能svm_grid_search使用以下参数执行网格搜索：要使用的内核名称，内核值，boxconstraint值和kktviolatonlevel级别的值。 它给出了带有训练过的 SVM 的输出数组，显示 SVM 是否无法训练（收敛）的数组，以及训练、验证和测试集的准确性。 该功能易于升级和模式。 您可以使用 I/O 结构（在 svm_grid_search_structure 中），或列出所有变量的标准方式（在 svm_grid_search 中）。 对我来说，结构的使用更优雅，当必须在函数之间传递许多相同的变量时，更容易模式化。

matlab中svm中核函数代码Matlab:copyright:/ Octave:copyright:的内核化支持张量火车机（KSTTM）[1] 该软件包包含Matlab / Octave代码，用于Kernelized Support Tensor Train Machines中提到的方法，即K-STTM-Prod和K-STTM-Sum。 要求 Matlab或Octave。 CVX工具箱[3]。 职能 fmri_demo 演示了KSTTM算法的用法。 [K] = kernel_mat（X，N，d，sigma，weight，flag） 给定训练TT格式数据，训练样本数，张量数据的阶数，高斯核参数sigma，张量数据的第一和第二模式的权重，用于K-STTM-Prod和K-STTM-Prod的内核矩阵构造，以及标志。 [Ypred] =预测（XX，alpha，b，X，Y，sigma，d，权重，标志） 针对K-STTM-Prod和K-STTM-Prod的标签预测功能，给出了用于预测的TT格式数据，学习的Lagrange乘数，SVM求解器中的学习偏差，训练TT格式数据，训练数据的标签，高斯核参数sigma，张量数据的顺序，张量数据的

svm_cvx CVX库用于实现硬边距，软边距和非线性内核支持向量机。 数学描述和解释可以在“ SVM应用程序-凸优化最终报告.pdf”中找到。 使用CVX进行ECE 273的SVM实现-凸优化类

在享受着网络技术带来的便利的同时，潜在的威胁在暗处窥探着我们的隐私和安全，例如一种新的网络攻击方式——高级持续型渗透攻击因为其特殊型和高危型逐步受到网络安全从业者的关注。高级持续型渗透攻击由于其颠覆传统病毒的特性，传统的检测方式难以方便的检测其存在和运行，而现有的检测方式有往往伴随着计算资源和时间资源的消耗。因此，基于动态监测APT病毒的目的，笔者采用了行为分析的检测方法，结合MAPREDUCE编程方式和支持向量机算法，得出了一种新的APT检测模型并测算出了分析权重数据。

这段代码实现了一种新的 MLP 神经网络训练方法，称为支持向量神经网络 (SVNN)，在工作中提出：O. Ludwig； “以神经网络和级联分类器为重点的快速模式识别非参数方法研究；” 博士论文，科英布拉大学，科英布拉，2012 年。 输入参数是 L 个代表 N 元素输入向量的 N x L 矩阵，行向量 y，其元素是各自的目标类，应该是 -1 或 1 ，以及隐藏神经元的数量nneu。 与 SVM 类似，SVNN 有一个惩罚参数 C，可以在代码的第 16 行设置。 该算法输出 MLP 参数 W1、W2、b1、b2，它们是 MLP 模拟器“sim_NN.m”的输入参数，它还需要测试数据矩阵以及目标向量（如果目标不可用，必须提供空向量）。 “sim_NN.m”输出估计的类别和准确度，acc（当测试目标可用时）。 该代码是为在四核处理器上运行而开发的。 在双核或单核处理器的情况下，第 53 行和第

这是林智仁先生在十一月更新的libsvm-3.11,如有需要请下载使用。

为提高道路交通事故的预测精度以及建模速度，在分析道路交通事故影响因素基础上，提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型采用灰色关联分析完成影响因素的相关性分析，结合关联度值，筛选最小二乘向量机模型的输入变量，简化LS-SVM模型结构；然后运用动态改变惯性权重自适应粒子群算法（DCW-APSO）对模型参数进行优化选取；最后应用模型预测1996—2000年的综合道路交通事故死亡率，并将预测结果与其他模型进行对比分析。结果表明，相较其他预测模型，该模型具有较快的收敛速度，并能明显提高道路交通事故预测的精度。

发布一个Matlab关于LS-SVM回归模板及其实验数据效果

svm的一片有价值的论文，可以参考建立相关系统。作为人工智能的基础性入门系统。

基于SVM与CNN的ECG信号心律失常诊断论文