为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（ PSO）算法和支持向量机（ SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量;其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后，使用优化后的模型对花粉未来24h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（ BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。

内含MATLAB版本的SVM程序、PYTHON版本的SVM程序，以及LIBSVM-3.20封装svm的应用程序（可直接通过CMD调用），内含详细代码注释以及软件使用情况

支持向量机(SVM)的序贯最小优化(SMO)算法 包结构 src |—— libsvm 林智仁教授的Libsvm核心源码 |—— MySMO 通过看支持向量机导论实现的SMO算法，只实现了高斯核 |—— smo1 参考国外的例子 |—— smo2 参考国外的例子

支持向量机是机器学习领域的研究热点之一,其理论基础是统计学习理论.该文严谨且通俗地描述了这一理论的概貌,并提出有附加信息的统计学习理论的设想.

matlab精度检验代码 一个典型的单词分类管道包的示例。 图由 项目3：场景识别与单词袋 找到我的执行结果。 简短的 截止日期：11月18日，晚上11:59 部分您必须下载 VL Feat Matlab参考： 所需文件：results / index.md和代码/ 概述 该项目的目的是向您介绍图像识别。 具体来说，我们将从最简单的方法（微小的图像和最近的邻居分类）开始，检查场景识别的任务，然后继续研究类似于最新技术的方法，这些方法包括量化的局部特征和线性支持向量机学习的分类器。 单词袋模型是一种流行的图像分类技术，其灵感来自自然语言处理中使用的模型。 该模型会忽略或轻视单词排列（图像中的空间信息），并根据视觉单词频率的直方图进行分类。 视觉单词“词汇”是通过将大量本地特征集聚在一起而建立的。 有关具有量化特征的类别识别的更多详细信息，请参见Szeliski第14.4.1章。 此外，14.3.2讨论了词汇的创建，而14.1涵盖了分类技术。 对于这个项目，您将实现一个基本的单词袋模型，并且有很多机会获得额外的信誉。 通过在15个场景数据库（在上引入，尽管建立在先前发布的数据集之上）上的训

使用OpenCV和Python的手写数字识别 使用的数据集 对于这个项目，我使用了MNIST数据集。 它可以在Internet上免费获得。 要求 的Python 3 斯克莱恩 OpenCV 3 麻木 Jupyter笔记本 训练SVM模型 SVM_Classifier.ipynb-这是一个ipython笔记本，因此您需要安装jupyter-notebook才能使用此文件。 如果要重新训练模型，请使用此文件。 digits_cls1.pkl-这是一个已保存的SVM模型文件。 使用OpenCV进行数字识别 dig_rec.ipynb-这是一个ipython笔记本，用于使用OpenCV识别图像中的手写数字。此文件使用受过训练的SVM模型digits_cls1.pkl 。 使用OpenCV进行实时数字识别 dig_rec_vid.ipynb-这是一个ipython笔记本，用于使用网络摄像头和O

预测的例子，主要用向量机回归分析，事先需要安装svm工具箱

基于MATLAB下的支持向量机（SVM）GUI页面，可以实现分类和回归功能，并且里面有自己的详细说明，简单方面容易上手，并且还有相应的“libsvm-mat-2.89-3加强工具箱”和“libsvm-3.1-[FarutoUltimate3.1Mcode]”两种版本，可以实现SVM三种寻优方法 grid search、GA、PSO,童叟无欺。

【手写数字识别】基于支持向量机SVM实现手写数字识别matlab源码含GUI.md

SVM手写数字识别，使用scikit-learn库的数据库