将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。

小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

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

函数1“anisotropic_Directional_derivative_filter.m”用于一组各向异性方向导数滤波器。过滤器的空间支持是[-20,20]×[-20,20]并且取向角均匀分布在区间[0,π]上。 函数2“Canny-detector.m”是对比度均衡配备的Canny检测器和噪声相关的较低阈值。 参考J. Canny, “A computational approach to edge detection,” 函数 3“FOM_measure.m”是边缘图的 Pratt 品质因数。 W. K. Pratt，“数字图像处理”，Wiley Interscience Publications，1978 年。 函数 4 “non_maxima_suppression.m” 用于提取梯度的最大值通过使用图像的两个偏导数来获得图像的大小。 “SMED.m” is the edge detector based on scale multiplication. Refer to P. Bao, L. Zhang, and X-L Wu, “Canny edge detecti

朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.

本程序应用SVM为基础，核函数采用高斯核函数，数据为手写数字数据1和9，用smo加速算法，识别正确率达99.4%，而且我博客有讲解

利用高斯核函数来表示两者的相关性，通过高斯滤波的呈像图来说明此关系；

将2D高斯核函数根据非正交方向进行分解，得到一维的x轴和其他方向的高斯函数，通过统计学方法，将分解的高斯函数与卷积滤波器或者迭代滤波器结合进行边缘检测。

高斯核函数 数学表示 所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。 　　最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。