搜索资源列表
svmlight_multiclass
- windows操作系统下的支持向量机算法实现工具包，支持多类别分类，功能强大！-windows operating system support vector machine algorithm tool kit, support multi-category classification, powerful!
svm_light_multiclass.tar
- SVM Light的多分类源代码，尤其是可用来做文本分类。SVM（支持向量机）方法是目前已知的最优秀的分类方法之一。SVM不仅可以用来分类，也可以用来做回归。-SVM classification of more source code, in particular used to make text classification. Support Vector Machine (SVM) is currently the best known of the classification met
SVM
- 支持向量机用于多分类问题的程序,可以较好地运行.
LS_SVMlab工具箱
- LS_SVMlab工具箱，可以实现二分类、多分类和回归，内有详尽demo以及100多页的pdf使用手册,不懂支持向量机的可以通过改工具箱及手册很容易上手。
deboor-cox.rar
- 目的:运用强化学习!多分类器集成!降维方法等最新计算机技术,结合细胞病理知识,设计制作/智能化肺癌细胞病理图像诊断系统0"方法:采集细胞图像,运用基于强化学习的图像分割法将细胞区域从背景中分离出来 运用基于样条和改进2方法对重叠细胞进行分离和重构 提取40个细胞特征用于贝叶斯!支持向量机!紧邻和决策树4种分类器,集成产生肺癌细胞分类结果 建立肺癌细胞病理图库,运用基于等降维方法对细胞进行比对,给予未定型癌细胞分类"结果:/智能化肺癌细胞病理诊断系统0应用于临床随机1200例肺
Classification_toolbox
- 用于分类的一个工具箱，内含支持向量机、神经网络、主元分析、多变量样条等方法的matlab源代码，还有用户手册。-A tool for classification, including support vector machines, neural networks, principal component analysis, multivariate methods such as spline matlab source code, as well as user manuals.
Wavelet_Based_Feature_Extraction_for_SVM_for_Scree
- 支持向量机在模式识别和分类中应用广泛， 小波方法的多尺度特性也众所周知。 本文将小波和支持向量机相互结合实现特征提取。-Support vector machine in pattern recognition and classification of the application of a wide range of multi-scale wavelet method is also well-known characteristics. In this paper, wavel
gyy
- 从因子分析的角度出发解决基因表达谱分析问题。为解决独立成分分析方法在求解过程中的不稳定性，提出一种基于选择性独立成分分析的DNA微阵列数据集成分类器。首先对基因表达水平的重构误差进行分析，选择部分重构误差较小的独立成分进行样本重构，然后基于重构后的样本同时训练多个支持向量机基分类器，最后选择部分分类正确率较高的基分类器进行最大投票以得到最终结果。在3个常用测试集上验证了本文设计方法的有效性。-This paper tries to deal with gene expression proble
svm
- 支持向量机(SVM)是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科-Support vector machine
2DLDAwiththeSVM-basedfacerecognitionalgorithm
- 二维线性鉴别分析(2DLDA)算法能有效解决线性鉴别分析(LDA)算法的“小样本”效应，支持向量机 (SVM)具有结构风险最小化的特点，将两者结合起来用于人脸识别。首先，利用小波变换获取人脸图像的低频分量，忽 略高频分量：然后，用2DLDA算法提取人脸图像低频分量的线性鉴别特征，用“一对多”的SVM 多类分类算法完成人脸 识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。-”Small sample size”problem
winsvm
- 经济学家winSVM是由Martin Sewell开发的一个支持向量机软件，基于MySVM的思想，能够处理pattern recognition 和regression 的问题，但不支持多分类。-Economists winSVM developed by Martin Sewell a support vector machine software, based on the idea MySVM can handle pattern recognition and regression pr
s
- 这是一些基于模糊支持向量机多分类算法的应用的一些论文。-These are based on fuzzy support vector machine multi-classification algorithm of the application of some of the papers.
Multi-class-SVM-Image-Classification
- 基于神经网络的遥感图像分类取得了较好的效果,但存在固有的过学习、易陷入局部极小等缺点.支持向量机机器学习方法,根据结构风险最小化(SRM)原理,表现出很多优于其他传统方法的性能,本研究的基于多类支持向量机分类器的遥感图像分类取得了达95.4 的分类精度.但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的基础上有效提高分类效率-Neural ne
Improved-P_SVM-support-vector-machines
- 改进的P_SVM支持向量机与遥感数据分类,对多光谱高光谱分类-Improved P_SVM support vector machines and remote sensing data classification, Classification of multispectral hyperspectral
support_vetor_machine
- 实现支持向量机的具体算法，包含一些支持向量机（svm）的程序例子，有分类也有回归的，分类有二维分类、还有多维分类的-Program example to achieve the specific algorithm support vector machines, including some of the support vector machine (svm), there is also the return of classification, classification of two
SvmOneVersusOne
- 支持向量机SVM可以使用多分类的问题，本次的代码实现的就是这个功能，里面含有训练和测试数据，分别含有12类标签，也就是都分为12类，另外代码采用了神经网络中的one-versus-one的思想，将数据分类K（K-1）/2个子类，分别调用SVM方法实现-It is about the classification in use of SVM for 12 classes. The algorithm contains training data and test data.
MKSVM
- 模糊支持向量机的代码程序,代码包含了多分类的分类器-The Fuzzy SVM
SVM_max
- 最大支持向量机分类算法是一种比较很好的解决了多数据的分类问题。-Maximum support vector machine classification algorithm is a relatively good solution to the problem of multiple classification data.
bsvm-2.08
- BSVM解决了支持向量机（SVM），用于解决大型分类和回归问题。 它包括以下方法 一个对一个使用约束约束公式的多类分类 通过解决单一优化问题（再次，有界公式）进行多类分类。 参见我们比较文件的第3节。 使用Crammer和Singer的配方进行多级分类。 参见我们的比较文章第4节。 使用约束约束公式的回归-BSVM solves support vector machines (SVM) for the solution of large classification and r
libsvm_1.4.5-3.bin.windows
- 支持向量机分类算法，模式识别，多分类，语音识别。(Classification, pattern recognition)