SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。 支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。

云计算环境下的并行SVM算法研究

SVM算法的实现及解释的pdf书籍，以及可以实现的程序

该文档为基于matlab的SVM算法仿真代码，包括数据构建、数据分类、分类演示。

破解验证码论文以及源代码图形分割 带粘连字符分割 SVM算法分析图形处理 这个本人研究验证码多年收集整理的资料已经研究成果，其中包含大量源代码，已经可以直接使用的软件。同时对比较难得带 带粘连字符分割问题的解决上做出了分析 本资源由于过大所为分了3个包发布请大家注意下载 破解验证码资料论文.part3.rar

SVM 算法 java 实现了调用接口，只要传入数据即可，调用了encog这个开源包的SVM算法，也是官方libsvm的。

心脏病发作预测 使用Logistic回归，K最近邻，支持向量机和内核支持向量机算法（无需探索性数据分析）通过机器学习进行简单的心脏病发作预测。

支持向量机的最大特点是改变了传统的经验风险最小化原则，而是针对结构风险最小化原则提出的，因此具有很好的泛化能力。同时，支持向量机在处理非线性问题时，通过将非线性问题转化为高维空间的线性问题，利用核函数替代高维空间中的内积运算，从而巧妙的解决了复杂计算问题，并且有效的克服了维数灾难以及局部极小问题。

本文档以通俗易懂的语言详解讲解了svm算法的基本原理，是想学习svm算法同仁的很好的入门级的教程。

用于LabVIEW程序的开发，里面包含SVM（支持向量机）算法，BP神经网络算法，vi已集成，直接调用即可