支持向量机 (SVM) 是许多分类问题的有效模型。 然而，SVM 需要二次规划的解决方案，需要专门的代码。 此外，SVM 有很多参数，影响了 SVM 分类器的性能。 最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。 在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。 在本文中，已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。

机器学习基本数学知识-协方差矩阵\特征值\特征向量

5-7.利用带位移的反幂法计算矩阵的特征值. 解 作位移矩阵B=A-7E ,建立计算公式: Bv(k)=u(k-1) k=max(v(k)) u(k)=v(k)/k ,k=1,2,…. 取初值u(0)=(1,1,1)T,计算结果如下: 取7+1/7=6 k 0 1 2 3 4 5 6 7 u1(k) 1 1 1 1 1 1 1 1 u2(k) 1 0.75 0.7222 0.7162 0.7148 0.7144 0.7143 0.7143 u3(k) 1 -0.4 -0.8044 -0.9403 -0.9828 -0.9951 -0.9987 0.9998 k -2 -1.125 -1.0278 -1.0067 -1.0018 -1.0004 -1.0000

乘幂法求矩阵最大特征值及特征向量 反幂法求矩阵最接近某值特征值及特征向量 雅可比法求矩阵全部特征值及特征向量

主要为大家详细介绍了C++调用Matlab函数求特征值，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类 (EigenClass)。 在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。 使用具有不同属性和类别的 20 个不同数据集的数量进行比较。每个算法都经过 5 折交叉验证训练和测试 30 次。然后根据最常用的度量（例如准确度、精确度、召回率、微观 F 度量和宏观 F 度量）将结果相互比较。

引入函数max（），它表示取向量中按模最大的分量，迭代的每一步取( )( )( )，使得最大的分量为 1。Jacobi法是计算实对称矩阵全部特征值和特征向量的一

“ RMAT”包 （注意：此程序包很容易开发。语法在不断优化，并且经常重命名。） 开发RMAT软件包是为了模拟各种类型的常见随机矩阵及其合奏。 其主要功能包括： 模拟各种随机矩阵 模拟这些随机矩阵的合奏 可视化这些矩阵集合的特征值谱 包括的矩阵是： 普通矩阵 b = 1,2,4的Beta合奏 b> 0的广义Beta集合 随机矩阵 参数稀疏性的随机矩阵 三对角矩阵 带矩阵 对于某些矩阵，相关函数中包含自由参数： 实值/复值条目 对称/ Hermitian矩阵

求实对称矩阵的特征值及特征向量的雅格比法 //利用雅格比(Jacobi)方法求实对称矩阵的全部特征值及特征向量

求解大规模非对称矩阵特征值问题的一些数值算法.pdf