支持向量机学习算法的研究

核矩阵计算是恢复支持向量机的关键,已有的精确计算方法难以处理大规模的样本数据。纹理,研究核矩阵的近似计算方法。首先,采用支持矢量机的凸二次约束线性规划表示,然后,综合蒙特卡罗方法和不完全Cholesk

EnsembleSVM, 支持向量机的集成学习库 简介EnsembleSVM是一个提供API实现集成学习使用支持向量机( 支持向量机) 基础模型的库。 包包含一些可以执行工具,这些工具与标准的支持。包

基于支持向量的支持向量机计算性能优化

为了提高支持向量机分类准确率，采用人工蜂群算法对支持向量机参数进行优化，并将该优化方法应用于小麦完好粒、霉变粒和发芽粒三类麦粒的识别。使用小波变换分解信号能量作为特征向量，以分类错误率的倒数作为适应度

为适应支持向量机（SupportVectorMachine，SVM）算法应用过程中的不同性能指标要求，将SVM算法的模型选择问题作为一个多目标优化（Multi-ObjectOptimization，M

在机器学习领域,支持向量机SVM(Support Vector Machine)是一个有监督的学习模型,通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征: (1)SVM可以

已经调试可用!可放心下载使用!

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

Java、python、matlab三种语言实现svm算法，可直接运行查看结果。

针对支持向量机在线训练算法训练速度较慢和无法处理边缘支持向量集合为空的缺点,以KKT 条件和拉 格朗日乘数法为基础,用严格的数学推导得到一种改进的训练算法. 通过建立一个矩阵缓存来保存与核函数相关的