SVM 资料基于SVM的组块识别及其错误驱动学习方法

SVM的主要思想可以概括为两点: (1) 它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而 使得高维特征空间

基于SVM的分类预测

这是一个基于libsvm上的SVM的分类，有高光谱数据以及降维的方法。

基于vc++的SVM源代码，可以轻松实现自动分类（如文本自动分类）、回归分析等。SVM（支持向量机）拥有完美的数学基础。

对高分辨率遥感影像基于光谱的svm分类aaaaaaaaaaaaaaaaaaa

基于SVM的图像分类,立足于图像内容，对图像进行分析和检索。相比而言，尽管图像检索已经出现了诸如直方图、颜色矩、颜色集等多种表征图像特征的方法，但是要突破对低层次特征的分析，实现更高语义上的检索

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到S

这个资源是面向SVM初学者的，里面包括文档，SVM的一般使用方法说明，看完基本能够使用SVM

主要介绍了Python实现基于SVM的分类器的方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

本次实验使用opencv中的ml组件中的SVM做有无行人的判别,内涵完整代码和图片数据。