SVM土地覆盖制图_基于最优化遥感数据的支撑向量机分类_英文_.pdf

支持向量机SVM是一种新的机器学习方法，其基础是统计学理论。模型泛化能力强；进行非线性分类时通过高维空间变换。

针对现有流量分类方法存在的准确率低、应用范围受限、计算复杂度高等问题，提出使用支持向量机方法来解决流量分类问题。使用公开的人工标注数据集作为训练集和测试集，通过有监督学习构建支持向量机流量分类器。此外

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid

一维支持向量机SVM代码（MATLAB），包括支持向量机分类和支持向量机回归SVC&SVR;。另外还包括与BP神经网络的比较结果。

支持向量机是一个非常出色的二分类分类方法，这是支持向量机笔记第二篇，介绍SMO算法，使用Matlab代码。

支持向量机的源程序，有使用说明和用matlab编写的程序

Code for support vector machine (SVM)

Smo algorithm of support vector machine SVM

支持向量机SVM的matlab代码

遥感图像分类方法通常采用监督的学习算法，它需要人工选取训练样本，比较繁琐，而且有时很难得到；而非监督学习算法的分类精度通常很难令人满意。针对这些缺陷，提出一种基于Kmeans与支持向量机(SVM)结合