svr算法matlab代码Pattern_Regression 这是我们NeuroImage论文（）的代码，其中涉及不同模式回归算法（即OLS，Ridge，LASSO，Elastic-Net，SVR，RVR）的比较以及样本量对预测性能的影响。 如果您想在工作中进行个性化的行为预测。 最好尝试使用中的代码。 这里的代码更特定于此研究。 如果您使用这些代码，将不胜感激引用我们的相关论文。 Zaixu Cui, Gaolang Gong, The effect of machine learning regression algorithms and sample size on individualized behavioral prediction with functional connectivity features, (2018), NeuroImage, 178: 622-37 Zaixu Cui, et al., Individualized Prediction of Reading Comprehension Ability Using Gray Matter Volum

以预测地下工程岩爆发生为研究目的,在综合影响岩爆的关键因素的基础上,选取地下工程围岩最大切向应力、岩石单轴抗压、抗拉强度、弹性能量指数、围岩切向应力与围岩抗压强度比值、围岩抗压强度与其抗拉强度的比值作为岩爆预测的评判指标,建立了一种基于改进支持向量机算法(v-SVR)的岩爆预测方法,并利用国内外45个岩石地下工程实例进行学习,对另外的16个实例进行了预测,取得了较好的效果,其预测精度明显优于灰色理论和常规SVR算法,与GA-BP神经网络算法相近.

本文档对svr（支持向量回归机）作了简要的介绍，内涵一些常用的svr公式。

为了进一步提高多组分气体分析的准确度,对采用AOTF-NIR光谱仪采集甲烷、乙烷和丙烷多组分混合气体的近红外光谱数据建立了新的分析模型。首先对光谱数据采用偏最小二乘法(以下简称PLS)进行特征提取,随后将提取得到的潜变量作为支持向量回归机(以下简称SVR)的输入建立多组分混合气体的定量分析模型。结果显示,PLS特征提取耦合SVR对近红外光谱的定量分析取得了很好的分析效果。

libsvm分类和回归GUI版本，及其使用介绍文档

美国西储大学轴承寿命预测

基于matlab的svr模块数据分析基于matlab的svr模块数据分析

当今时代，科学技术高速发展，涌现出一批新技术，数据挖掘、机器学习等新科学领域被深入研究，众多智能算法逐渐出现，同时被应用到了不同的领域中.本文构建了一种基于BP （Back Propagation）神经网络和SVR （Support Vector Regression）支持向量回归机的组合模型.依托于农产品价格数据进行实例验证分析，结果表明相对于单一的预测模型，BP-SVR-BP组合模型在预测精度上有了很大的提升，拟合效果更加逼近真实数据曲线，能够客观真实的反应农产品物价变化规律.

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著, 鉴于此, 提出一种多智能体粒子群算法(MAPSO) 寻优其参数的方法, 并建立MAPSO支持向量回归模型, 用于非线性系统的模型预测控制, 推导出最优控制率. 采用该算法对非线性系统进行仿真, 并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF 神经网络的预测控制方法进行比较, 结果表明, 所提出的算法具有更好的控制性能, 可以有效应用于非线性系统控制中.

可用于最小二乘支持向量回归相关问题，非线性拟合及预测