支持向量机（support vector machines，SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM 适合中小型数据样本、非线性、高维的分类问题。 SVM 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出，目前的版本（soft margin）是由 Corinna Cortes 和 Vapnik 在1993年提出，并在1995年发表。深度学习（2012）出现之前，SVM 被认为机器学习中近十几年来最成功，表现最好的算法。

SVM的几个核函数对说话人身份识别的技术研究 根据具体的数据得到特征 然后采取svm分类，svm包含高斯核函数 线性核函数 RBF核函数 多项式核函数等 采取了不同的核函数对说话人的身份进行识别

为抵消信道时变多径传播特性引起的码间干扰、准确地识别数字通信系统中的发送信号,满足信道均衡的实时性要求,采用最小二乘支持向量机回归算法对信道进行均衡。首先,分析了最小二乘支持向量机算法应用于信道均衡的机理,与传统的信道均衡方法相比,该算法无需对信道进行估计可直接得到均衡器的参数。其次,与ε-支持向量机算法进行比较,最小二乘支持向量机均衡性能不减,时间复杂度大大降低,可以更好的满足信道更新的实时性要求。同时探讨了2种改善低信噪比下信道均衡性能的方法。结果表明:对于信道环境复杂的通信系统,利用最小二乘支持向量机的非线性均衡速度快、效果良好。在低信噪比情况下,可以通过增加训练序列长度和利用非线性核函数来改善信道均衡的性能。

SVM非线性核函数程序

支持向量机的相关经典案例，里面包含线性核函数和非线性核函数，另外还有实例：支持向量机手写数字识别；内含测试集训练集、代码源文件及注释，可直接运行（需安装numpy和matplotlib）