MATLAB_SMO_SVM回归分析预测实例

使用Python支持向量机的代码实现，首先基于简化版的SMO实现分类超平面的计算，但时间较长，然后将完整版的SMO算法封装到类中，实现超平面的快速计算。最后使用SVM进行手写体识别实例的实现

多核学习代码

大学生

MicroChip AN1299 SMO 滑模观察器的代码, 观测器，是FOC驱动的关键，如何得到一个准确的观测器来估算转子的位置和角度非常重要。在这篇代码和文档里面有详细的讲述。

MicroChip的官方指导文档配套单机驱动，双电机控制源码，实现无感SMO滑膜观测器的完整源码，可以直接烧录开发板进行测试

SMO算法由Microsoft Research的John C. Platt在1998年提出，并成为最快的二次规划优化算法，特别针对线性SVM和数据稀疏时性能更优。关于SMO最好的资料就是他本人写的《Sequential Minimal Optimization A Fast Algorithm for Training Support Vector Machines》了。

该文档描述了SVM中SMO算法的C++实现方法，可参考性较强。

在文件svr_test.m中运行示例SVR_SMO 使用 SMO 求解器创建 SVR 模型向量x（mx1），y（mx1）对应于y = f（x）的点集是x个实数值的实函数。 SMO求解器使用常数C，tol（公差），eps（ε），T（最大Iter）。 的选择内核以类型定义（“ l”表示线性，“ r”表示rbf，“ p”表示多项式和's' forsigmoid）。 根据内核的选择将使用附加的纳尔参数（伽玛，偏移和功率）。 训练结果将以alpha系数和b给出临界点。 实施者：Flake、Gary William 和 Steve Lawrence。 “高效的“使用SMO进行SVM回归训练”，《机器学习》，第46卷，第1-3期（2002年）：271-290。

PMSM无感foc控制原理推导（基于传统SMO算法）