支持向量機(jī)
關(guān)注創(chuàng)建者：鄭政 創(chuàng)建時(shí)間：2017-02-23
支持向量機(jī)的視頻教程
支持向量機(jī)SVM及MATLAB程序視頻算法識(shí)別分類擬合預(yù)測(cè)課程
主要內(nèi)容包括：支持向量機(jī)（SVM）基本概念與基本理論，線性分類器及其尋找最好分類面的建模分析，線性不可分及核函數(shù)和松弛變量與懲罰因子，支持向量機(jī)SVM用于多類分類問(wèn)題，支持向量機(jī)SVM及MATLAB程序?qū)崿F(xiàn)，基于支持向量機(jī)利用圖像屬性分類與程序?qū)崿F(xiàn)，基于LIBSVM軟件利用圖像屬性分類與程序?qū)崿F(xiàn)，基于SVM分析意大利葡萄酒多個(gè)分類，參數(shù)優(yōu)化及交叉驗(yàn)證方法與最佳參數(shù)計(jì)算，支持向量機(jī)進(jìn)行手寫(xiě)體數(shù)字圖像識(shí)別分類
￥210 2小時(shí)32分鐘 298播放
查看
十分鐘快速掌握支持向量機(jī)計(jì)算原理（SVM）
視頻介紹了支持向量機(jī)的計(jì)算原理，常用的計(jì)算方法，適合初學(xué)者快速入門(mén)掌握原理，但是有的地方講的可能不夠細(xì)致，歡迎大家批評(píng)指正。
免費(fèi) 12分鐘 3播放
查看
1-93基于matlab的螢火蟲(chóng)算法優(yōu)化支持向量機(jī)（GSA-SVM）分類模型
基于matlab的螢火蟲(chóng)算法優(yōu)化支持向量機(jī)（GSA-SVM）分類模型，以分類精度為優(yōu)化目標(biāo)優(yōu)化SVM算法的參數(shù)c和g，輸出分類可視化結(jié)果。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。 購(gòu)買后可下載視頻中的源程序文件。
￥25.9 1分鐘 6播放
查看
支持向量機(jī)的實(shí)例教程
摘要：為解決機(jī)械故障小樣本模式識(shí)別問(wèn)題，有效地提高分類的準(zhǔn)確率，提出了一種基于經(jīng)驗(yàn)?zāi)Ｊ椒纸? 模糊特征提取的支持向量機(jī)混合診斷模型。
該模型通過(guò)對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸猓崛⌒盘?hào)的本征模式分量并轉(zhuǎn)化為模糊特征向量!對(duì)機(jī)器故
障進(jìn)行診斷，然后將模糊特征向量輸入到多分類的支持向量機(jī)中，實(shí)現(xiàn)了對(duì)機(jī)器不同故障類型的
識(shí)別。
將該模型應(yīng)用于汽輪發(fā)電機(jī)組的!種工作狀態(tài)的識(shí)別中，測(cè)試結(jié)果表明，同原有的未經(jīng)過(guò)任何特征
提取以及經(jīng)過(guò)小波包模糊特征提取的#種多分類支持向量機(jī)方法相比，該模型將分類準(zhǔn)確率從原
有的53.3%和86.67%提高到100%，有效地改善了分類的準(zhǔn)確性。
同時(shí)，該模型還為汽輪發(fā)電機(jī)組的故障確診提供了有力依據(jù)。
請(qǐng)享用！
展開(kāi) 灰狼優(yōu)化算法優(yōu)化支持向量機(jī)MATLAB實(shí)戰(zhàn)
今天給大家分享灰狼優(yōu)化算法的MATLAB實(shí)戰(zhàn) ，主要從算法原理和代碼實(shí)戰(zhàn)展開(kāi)。
需要了解更多算法代碼的，可以點(diǎn)擊文章左下角的閱讀全文，進(jìn)行獲取哦~需要了解智能算法、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和信號(hào)處理相關(guān)理論的可以后臺(tái)私信哦，下一期分享的內(nèi)容就是你想了解的內(nèi)容~
一、灰狼優(yōu)化算法
灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）由澳大利亞格里菲斯大學(xué)學(xué)者 Mirjalili 等人于2014年提出來(lái)的一種群智能優(yōu)化算法。該算法受到了灰狼捕食獵物活動(dòng)的啟發(fā)而開(kāi)發(fā)的一種優(yōu)化搜索方法，它具有較強(qiáng)的收斂性能、參數(shù)少、易實(shí)現(xiàn)等特點(diǎn)。
灰狼屬于犬科動(dòng)物，被認(rèn)為是頂級(jí)的掠食者，它們處于生物圈食物鏈的頂端。灰狼大多喜歡群居，它們具有非常嚴(yán)格的社會(huì)等級(jí)層次制度，如下圖所示。
金字塔第一層為種群中的領(lǐng)導(dǎo)者，稱為 α 。在狼群中 α 是具有管理能力的個(gè)體，主要負(fù)責(zé)關(guān)于狩獵、睡覺(jué)的時(shí)間和地方、食物分配等群體中各項(xiàng)決策的事務(wù)。
金字塔第二層是 α 的智囊團(tuán)隊(duì)，稱為 β 。β 主要負(fù)責(zé)協(xié)助α 進(jìn)行決策。當(dāng)整個(gè)狼群的 α 出現(xiàn)空缺時(shí)，β 將接替 α 的位置。β 在狼群中的支配權(quán)僅次于 α，它將 α 的命令下達(dá)給其他成員，并將其他成員的執(zhí)行情況反饋給 α 起著橋梁的作用。
金字塔第三層是 δ ，δ 聽(tīng)從 α 和 β 的決策命令，主要負(fù)責(zé)偵查、放哨、看護(hù)等事務(wù)。適應(yīng)度不好的 α 和 β 也會(huì)降為 δ 。金字塔最底層是 ω ，主要負(fù)責(zé)種群內(nèi)部關(guān)系的平衡。
灰狼的社會(huì)等級(jí)在群體狩獵過(guò)程中發(fā)揮著重要的作用，捕食的過(guò)程在 α 的帶領(lǐng)下完成。
展開(kāi) 基于matlab的相關(guān)向量機(jī)（RVM）回歸和分類算法。該算法基于貝葉斯稀疏核?法，避免了支持向量機(jī)（SVM）的主要局限性。RVM關(guān)鍵是為每個(gè)權(quán)參數(shù) 都引入一個(gè)單獨(dú)的超參數(shù) ，而不是一個(gè)共享超參數(shù)。程序已調(diào)通，可直接運(yùn)行。
表1 光伏發(fā)電功率影響因素的權(quán)重值
2.5 最小二乘支持向量機(jī)
根據(jù)權(quán)重值對(duì)影響因素進(jìn)行處理，建立光伏發(fā)電功率預(yù)測(cè)訓(xùn)練樣本集合，通過(guò)映射函數(shù)φ()將訓(xùn)練樣本進(jìn)行空間變換，得到最小二乘支持向量機(jī)的光伏發(fā)電功率預(yù)測(cè)建模線性回歸形式為：
為了使光伏發(fā)電功率預(yù)測(cè)誤差(ei)盡可能最小，引入松弛因子ξ，并對(duì)條件進(jìn)行相應(yīng)的約束，可以得到：
式中，γ為最小二乘支持向量機(jī)的參數(shù)。
為了提升光伏發(fā)電功率預(yù)測(cè)效率，采用拉格朗日乘子αi建立拉格朗日函數(shù)：
分別對(duì)w,b，ξ，α求導(dǎo)，并且使它們求導(dǎo)結(jié)果為0，即：
從而得到式(3)w和b的計(jì)算公式：
由于光伏發(fā)電功率與影響因素之間存在一種復(fù)雜非線性關(guān)系，因此采用核函數(shù)替代內(nèi)積操作，K(x,xi)=φ(x)Tφ(xi)，這樣光伏發(fā)電功率預(yù)測(cè)模型可以描述為：
式中，K(x,xi)具體為：
式中，σ表示核函數(shù)的參數(shù)。
展開(kāi) 摘要：本文使用SVM進(jìn)行回歸；
00 獲取sklearn中糖尿病患者數(shù)據(jù)
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets, svm
diabetes=datasets.load_diabetes()
train_x=diabetes.data[:342,:]
train_y=diabetes.target[:342]
test_x=diabetes.data[342:,:]
test_y=diabetes.target[342:]
01 SVM線性回歸
regre=svm.LinearSVR()
regre.fit(train_x,train_y)
regre.score(test_x,test_y)
Out[36]: -0.3826827941256945
regre.coef_
Out[37]:
array([ 2.49261883, 0.25752362, 6.21448813, 4.90032452, 2.70896776,
2.61597544, -4.9194174 , 5.41655006, 6.48684744, 3.7077186 ])regre.intercept_
Out[38]: array([103.12986397])
regre.n_iter_
Out[39]: 9
考察參數(shù)loss的影響：
regre=svm.LinearSVR(loss='epsilon_insensitive')
regre.fit(train_x,train_y)
regre.score(test_x,test_y)
Out[40]: -0.38589592979512455
展開(kāi) 
支持向量機(jī)的相關(guān)專題、標(biāo)簽、搜索
支持向量機(jī)的最新內(nèi)容
Moldex3D模流分析之支持歧管和模溫機(jī)的建立和模擬6個(gè)月前
冷卻分析 Cool
塑件成型中，如何控制模溫使熔膠凝固，其冷卻過(guò)程極為重要，占據(jù)整個(gè)成型周期時(shí)間的70%-80%，影響塑件成品在頂出過(guò)程中發(fā)生的潛在變形。精心設(shè)計(jì)的模溫系統(tǒng)將縮短成型時(shí)間并提高產(chǎn)量，未優(yōu)化的冷卻過(guò)程容易導(dǎo)致翹曲、不均勻收縮、變形…等等。
Moldex3D Cool基于真實(shí)3D技術(shù)，準(zhǔn)確分析模具系統(tǒng)溫度、冷卻水路布局效果和所需冷卻時(shí)間的高效設(shè)計(jì)工具，幫助檢測(cè)模具冷卻系統(tǒng)可能存在的缺陷
模型選擇與訓(xùn)練
系統(tǒng)提供了三種經(jīng)典的機(jī)器學(xué)習(xí)模型供用戶選擇：
樸素貝葉斯 (MultinomialNB)
邏輯回歸 (Logistic Regression)
支持向量機(jī) (SVM)
用戶可以通過(guò)命令行參數(shù)靈活切換模型，并自定義超參數(shù)（如 `alpha`、`ngram`）。
全書(shū)共 14 章，系統(tǒng)性地以數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的經(jīng)典算法為主線來(lái)組織內(nèi)容，涵蓋數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)、數(shù)據(jù)統(tǒng)計(jì)與可視化、數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則挖掘、回歸分析、決策樹(shù)、模型評(píng)估與集成學(xué)習(xí)、樸素貝葉斯、K 近鄰、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、聚類分析、文本分析，以及 RapidMiner 的高階功能等。
直流無(wú)刷驅(qū)動(dòng)MS4932三相正弦波 DC 電機(jī)控制器 三相有感正弦波BLDC預(yù)驅(qū)動(dòng)，支持空間向量調(diào)制（SVM)8個(gè)月前
產(chǎn)品描述:
MS4932是一款三相正弦波無(wú)刷直流電機(jī)(BLDC)或永磁同步電機(jī)(PMSM)控制器。該芯片對(duì)霍爾感應(yīng)信號(hào)進(jìn)行處理，控制器可以通過(guò)開(kāi)關(guān)三相轉(zhuǎn)換器來(lái)實(shí)現(xiàn) PWM 交換。MS4932/MS4932N 有兩種 PWM 模式：正弦波模式和方波模式。該芯片具有過(guò)壓保護(hù)、過(guò)流保護(hù)、短路保護(hù)以及過(guò)溫保護(hù)，用來(lái)保護(hù)芯片及馬達(dá)不會(huì)受到損壞。
主要特點(diǎn)
編輯
對(duì)象識(shí)別
使用機(jī)器學(xué)習(xí)進(jìn)行對(duì)象識(shí)別
HOG（定向梯度直方圖）特征提取器和 SVM（支持向量機(jī)）模型：在深度學(xué)習(xí)時(shí)代之前，它是一種最先進(jìn)的對(duì)象檢測(cè)方法。它采用正（包含對(duì)象的圖像）和負(fù)（不包含對(duì)象的圖像）樣本的直方圖描述符，并在此基礎(chǔ)上訓(xùn)練我們的 SVM 模型。
時(shí)間序列預(yù)測(cè)是數(shù)據(jù)分析的一個(gè)關(guān)鍵方面，其應(yīng)用范圍從金融市場(chǎng)到天氣預(yù)報(bào)。近年來(lái)，支持向量回歸 （SVR） 因其處理非線性關(guān)系和高維數(shù)據(jù)的能力而成為一種強(qiáng)大的時(shí)間序列預(yù)測(cè)工具。 在本項(xiàng)目中，我們將深入研究使用 SVR 進(jìn)行時(shí)間序列預(yù)測(cè)，特別關(guān)注預(yù)測(cè)未來(lái) 10 個(gè)月的電力生產(chǎn)。
支持向量回歸
支持向量回歸 （SVR） 是 SVM 中的一種監(jiān)督學(xué)習(xí)技術(shù)，旨在在高維特征空間中找到最適合訓(xùn)練數(shù)據(jù)的超平面
輸出：
在 XOR運(yùn)算上應(yīng)用 RBF
? 徑向基函數(shù)核的實(shí)際應(yīng)用
RBF內(nèi)核的多功能性和有效性使其適用于各種機(jī)器學(xué)習(xí)任務(wù)，包括：
? 支持向量機(jī)（SVM）：在SVM中，RBF內(nèi)核通常用于將數(shù)據(jù)點(diǎn)映射到更高維的空間，在該空間中可以構(gòu)建線性決策邊界以分隔類。
? 核化嶺回歸：在回歸任務(wù)中，RBF核可用于執(zhí)行核化嶺回歸，從而允許模型捕獲特征和目標(biāo)變量之間的非線性關(guān)系。
可以使用傳統(tǒng)的機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、決策樹(shù)、隨機(jī)森林）或深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)）進(jìn)行分類。應(yīng)用領(lǐng)域：紡織工業(yè)，用于評(píng)估纖維的質(zhì)量，如強(qiáng)度、柔軟度和耐久性。生物醫(yī)學(xué)，在組織工程中分析細(xì)胞外基質(zhì)的纖維結(jié)構(gòu)。材料科學(xué)，研究復(fù)合材料中的纖維排列和取向。法醫(yī)學(xué)，通過(guò)分析纖維來(lái)輔助犯罪現(xiàn)場(chǎng)調(diào)查。
基于matlab的電力負(fù)荷預(yù)測(cè)，論文闡述了負(fù)荷預(yù)測(cè)的應(yīng)用研究現(xiàn)狀，概括了負(fù)荷預(yù)測(cè)的特點(diǎn)及其影響因素，歸納了短期負(fù)荷預(yù)測(cè)的常用方法，并分析了各種方法的優(yōu)劣；采用最小二乘支持向量機(jī)（LSSVM）模型，根據(jù)浙江臺(tái)州某地區(qū)的歷史負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)，總結(jié)了負(fù)荷變化的規(guī)律性。LSSVM中的兩個(gè)參數(shù)對(duì)模型有很大影響，而目前依然是基于經(jīng)驗(yàn)的辦法解決。
產(chǎn)品型號(hào)：VK6932
產(chǎn)品品牌：永嘉微電/VINKA
封裝形式：SOP32
工程服務(wù)，技術(shù)支持！
概述
VK6932是一種數(shù)碼管或點(diǎn)陣LED驅(qū)動(dòng)控制專用芯片，內(nèi)部集成有3線串行接口、數(shù)據(jù)鎖存器、LED 驅(qū)動(dòng)等電路。SEG腳接LED陽(yáng)極，GRID腳接LED陰極，可支持8SEGx16GRID的點(diǎn)陣LED顯示面板。主要應(yīng)用于LED顯示屏驅(qū)動(dòng)。ZXY821
特點(diǎn)
