说明：文章在IEEE上发表，一种崭新的支持矢量机SVM源码

说明：模式识别matlab工具箱,包括SVM,ICA,PCA,NN等等模式识别算法,很有参考价值

说明：具有图形操作界面的支持向量机多类分类实验系统.全部用Matlab实现,可以实现多种分类识别. 这是本人的毕业设计的附属程序

说明：一个完整的具有图形操作界面的支持向量机模式识别的实验系统.全部用Matlab实现,可以实现多种分类识别. 这是本人的毕业设计的附属程序

说明：一个包含丰富内容的流形学习算法工具包，有图形示例文件demo.fig，包括laplacian特征映射算法、流形规则调整、svm分类算法等内容，希望对研究机器学习的朋友有用。

说明：支持向量机(SVM)实现的分类算法源码[matlab]

说明：本文是一篇名为“基于SVM的石油勘探算法研究”的硕士论文，文中应用MATLAB进行算法实现，给出了详细的设计思路，各种不同方法的图像对比，区县调整，是一片相当不错的文章。

说明：基于MATLAB的svm工具箱，希望大家能用上。

说明：支持向量机，用于分类，含训练集与测试集。里面含有六个源程序

说明：核方法＆svm是模式识别是很重要的方法，都各自成为一门学科

说明：svm_increasement Matlab Program

说明：SVM用于模式识别 整理别人的代码（原来的是英文）所得： kernel.m用于内积矩阵的计算 svcplot.m用于绘图 svm168.m是主程序 testlin.m是采用线形内积函数的支持向量机应用的 文件 testrbf.m是采用RBF内积函数的支持向量机应用 的 文件 每个文件中都有说明。 仿真平台matlab7.0, 仿真全部通过 将所有文件拷贝到work目录下（注意不要直接将上层文件夹直接拷贝到work目录下，若那样操作，必须在matlab的file菜单中的set path中设置相应的路径）。 打开matlab，在命令窗口中输入 testlin或testrbf 即可查看结果。

说明：我一直覺得 SVM 是個很有趣的東西，不過也一直沒辦法 (mostly 衝堂) 去聽林智仁老師 的 Data mining 跟 SVM 的課； 後來看了一些網路上的文件跟聽 kcwu 講了一下 libsvm 的用法後，就想整理一下，算是對於並不需要知道完整 SVM 理論的人提供使用 libsvm 的入門.

说明：svm2.51的经济代码，比较全面，直接解压到matlab下的toolbox下的svm即可使用

说明：matlab工具箱

说明：support vector machine的osu源码

说明：Matlab下面的支持向量机的程序包。。应用范围很广

说明：一个很好的Matlab工具箱源码，用于SVM的

说明：数据挖掘常用的算法，包括id3，k均值，FCM，SVM,CART五个常用的算法，是用matlab编写的。

说明：一个matlab的工具包,里面包括一些分类器 例如 KNN KMEAN SVM NETLAB 等等有很多.

说明：一种很实用的SVM工具箱,具有较快的运算速度,有详细的使用说明和例子!

说明：Libsvm 3.23完全版

说明：matlab绘图。详细综合matlab的绘图方法，包括二维，三维绘图。以及相映的图象编辑功能。能从多角度对图象进行处理！

说明：支持向量机工具箱，其中包含MATLAB演示程序和一些基本的函数（计算核函数的函数、支持向量机训练函数和参数选择交叉验证函数等）。

说明：人工智能模式识别中基于支持向量机的分类算法在识别领域属于较新的应用

说明：用MATLAB编写的svm源程序，可以实现支持向量机，用于特征分类或提取

说明：SVM在MATLAB下的实现,其中有五个文件夹，分别是不同的SVM

说明：matlab实现，附带数据，并有显示结果图的功能，很方便用的

说明：最新的支持向量机工具箱，有了它会很方便 1. Find time to write a proper list of things to do! 2. Documentation. 3. Support Vector Regression. 4. Automated model selection. REFERENCES ========== [1] V.N. Vapnik, "The Nature of Statistical Learning Theory", Springer-Verlag, New York, ISBN 0-387-94559-8, 1995. [2] J. C. Platt, "Fast training of support vector machines using sequential minimal optimization", in Advances in Kernel Methods - Support Vector Learning, (Eds) B. Scholkopf, C. Burges, and A. J. Smola, MIT Press, Cambridge, Massachusetts, chapter 12, pp 185-208, 1999. [3] T. Joachims, "Estimating the Generalization Performance of a SVM Efficiently", LS-8 Report 25, Universitat Dortmund, Fachbereich Informatik, 1999.

说明：不错的SVM实现算法，采用的是LS-SVM算法，这是MATLAB版本，还有一个C版本