神经系统支持向量机的MATLAB应用

作为结构风险最小化准则的具体实现，支持向量机方法具有全局最优、结构简单、推广能力强等优点，近几年得到了广泛的研究。本文仔细研究了支持向量机理论，并针对目前一些支持向量机算法存在的缺陷，分析了产生的原因

支持向量机SVM在金融领域的应用风险预警股票分类以及股票预测，支持向量机以其优越性在很多方面得到广泛的应用

Vapnik 提出的支持向量机(Support Vector Machine, SVM)以训练误差作为优化问题的约束条件,以置信范围值最小化作为优化目标,即SVM是一种基于结构风险最小化准则的学习方法

matlab编写的支持向量机SVM-SVMmatlab.zip matlab编写的支持向量机: Figure19.jpgmatlab编写的支持向量机

支持向量机Matlab工具箱1.0使用平台-Matlab6.5，该工具箱包括了二种分类,二种回归,以及一种一类支持向量机算法(1)Main_SVC_C.m---C_SVC二类分类算法(2)Main_S

支持向量机的matlab实现及相应Demo

支持向量机SVM的改进——PSVM，包括线性PSVM和非线性PSVM

采用matlab自带的支持向量机分类函数实现支持向量机的多分类

西雅图华盛顿大学神经系统实验室的BCI2000分支先决条件这个fork是使用以下方法构建的： Qt 4.8.4 CMake 2.8.10.2 Visual Studio 2010 Ultimate和E

根据《PatternRecognitionandMachineLearning》这本书的第7章（稀疏核机）的7.1节，介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机，以及支持