支持向量机标签_松山湖开发者村综合服务平台

支持向量机

春夏秋冬四季的风光场景生成和聚类削减，采用Copula方法+Kmeans方法研究（Matlab代码实现）

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。

wlz249
2026-04-02 02:08:11

 337

 11

#聚类 #kmeans #matlab +1
电力系统——基于10机39节点的电力系统仿真（Matlab、Simulink仿真）

用Simulink构建10机39节点系统模型，并了解了相关的操作步骤。将Simulink教学和以上咱们学习的专业内容相结合，Simulink提供了各种仿真工具,尤其是它不断扩展的、内容丰富的模块率,为系统的仿真提供了极大便利。在Simulink平台上拖曳和连接典型模块就可以绘制仿真对象的模型框图,并对模型进行仿真分析。🎉三、参考文献。

荔枝科研社
2026-03-19 00:18:09

 204

 2

#matlab #数据库 #网络 +1
【机器学习】支持向量机 SVM 从原理到实战（Python 全流程实现）

支持向量机（Support Vector Machine，SVM）是机器学习领域经典的有监督分类算法，自诞生以来凭借扎实的数学理论、优秀的小样本学习能力、强大的非线性拟合能力，在分类、回归等任务中得到了广泛应用。本文将从通俗的原理讲解入手，深入拆解 SVM 的核心逻辑，再基于 Python+sklearn 实现完整的 SVM 分类任务，包含可视化、模型训练、评估全流程，帮助读者从入门到实战彻底掌握

 輕華
2026-03-02 16:37:18

 1810

 20

#支持向量机 #机器学习 #python
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 荧光Matlab
2026-02-12 05:39:36

 1028

 23

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 欢多天天写代码
2026-02-12 04:43:53

 1048

 11

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 2501_92823441
2026-02-12 05:17:19

 581

 15

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 茜姐_博客
2026-02-12 05:50:48

 1163

 19

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 weixin_48529701
2026-02-12 04:10:24

 665

 12

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 抬头望远方
2026-02-12 05:06:15

 586

 16

#无人机 #算法 #matlab +1
【2025最新高维多目标优化】基于城市场景下无人机三维路径规划的导航变量的多目标粒子群优化算法NMOPSO研究（Matlab代码实现）

随着无人机应用场景的复杂化，城市场景下的三维路径规划需同时优化路径长度、飞行时间、威胁规避、能耗等多个相互冲突的目标。传统单目标优化算法难以平衡多目标需求，而基于导航变量的多目标粒子群优化算法（NMOPSO）通过引入导航变量引导粒子搜索方向，结合多目标优化框架，在保持种群多样性的同时提升收敛速度，为无人机三维路径规划提供了高效解决方案。本文系统阐述NMOPSO算法的原理、在三维路径规划中的建模与实

 程序辅导帮
2026-02-12 02:07:05

 727

 16

#无人机 #算法 #matlab +1
《机器学习导论》第 13 章-核机器

本文系统介绍了核机器（Kernel Machines）的原理与应用，重点讲解了支持向量机（SVM）及其核心技巧。主要内容包括：1）线性可分SVM的最优超平面；2）软边缘SVM处理不可分数据；3）ν-SVM的容错机制；4）核技巧的本质与常见核函数对比；5）自定义核函数的实现方法；6）核机器在分类、回归、排序、异常检测等场景的应用；7）核降维技术KernelPCA。通过可视化对比和可运行代码，直观展示

 啊阿狸不会拉杆
2026-02-10 21:54:07

 1322

 54

#机器学习 #人工智能 #支持向量机 +2
【可再生能源场景生成】使用生成对抗性网络的数据驱动场景生成方法研究（该方法基于两个互连的深度神经网络与基于概率模型的现有方法相比）（Python代码实现）

情景发电是可再生能源渗透率高的电力系统运行和规划的重要步骤。在本文中，提出了一种使用生成对抗性网络的数据驱动场景生成方法，该方法基于两个互连的深度神经网络，与基于概率模型的现有方法相比，我们的方法是数据驱动的，在时间和空间维度上捕获了大量相关资源的可再生能源生产模式。为了验证，我们使用了来自NREL积分数据集的风能和太阳能时间序列数据。证明所得，所提出的方法能够以完全多样的行为生成真实的风力和光伏

 wlz249
2025-11-20 01:36:55

 477

 4

#dnn #python #人工智能 +1
【可再生能源场景生成】使用生成对抗性网络的数据驱动场景生成方法研究（该方法基于两个互连的深度神经网络与基于概率模型的现有方法相比）（Python代码实现）

情景发电是可再生能源渗透率高的电力系统运行和规划的重要步骤。在本文中，提出了一种使用生成对抗性网络的数据驱动场景生成方法，该方法基于两个互连的深度神经网络，与基于概率模型的现有方法相比，我们的方法是数据驱动的，在时间和空间维度上捕获了大量相关资源的可再生能源生产模式。为了验证，我们使用了来自NREL积分数据集的风能和太阳能时间序列数据。证明所得，所提出的方法能够以完全多样的行为生成真实的风力和光伏

 荔枝科研社
2025-11-20 00:23:03

 1010

 22

#dnn #python #人工智能 +1
【可再生能源场景生成】使用生成对抗性网络的数据驱动场景生成方法研究（该方法基于两个互连的深度神经网络与基于概率模型的现有方法相比）（Python代码实现）

情景发电是可再生能源渗透率高的电力系统运行和规划的重要步骤。在本文中，提出了一种使用生成对抗性网络的数据驱动场景生成方法，该方法基于两个互连的深度神经网络，与基于概率模型的现有方法相比，我们的方法是数据驱动的，在时间和空间维度上捕获了大量相关资源的可再生能源生产模式。为了验证，我们使用了来自NREL积分数据集的风能和太阳能时间序列数据。证明所得，所提出的方法能够以完全多样的行为生成真实的风力和光伏

 @橘柑橙柠桔柚
2025-11-20 02:13:59

 965

 28

#dnn #python #人工智能 +1
支持向量机：从理论到实践

本文系统介绍了支持向量机(SVM)的理论与实践。从线性可分SVM的基本概念、间隔最大化原理出发，详细推导了优化问题及其对偶形式。针对非线性可分数据，介绍了软间隔SVM和核方法，分析了常用核函数特性及选择策略。文章还探讨了SVM的扩展应用，包括支持向量回归(SVR)和多类分类方法。SVM通过结构风险最小化和核技巧，在小样本、高维数据分类中表现出色，其解具有稀疏性，仅依赖于少数支持向量。

m0_62895602
2025-09-14 09:19:43

 1146

 29

#支持向量机 #算法 #机器学习 +3
【无人机】采用NOMA的节能多无人机多接入边缘计算（Matlab代码实现）

多接入边缘计算（MEC）被认为是克服移动设备计算能力限制的有前途的解决方案。本文研究了一种基于非正交多址（NOMA）的节能无人机MEC框架，将多架无人机部署为边缘服务器，为地面用户提供计算辅助，并采用NOMA降低任务卸载能耗。形成一个实用程序以数学方式评估系统的加权能源成本。由于参数的耦合，效用最小化是一个高度非凸的问题，因此，该问题被分解为两个更易于处理的子问题，即给定无人机轨迹的无线电和计算资

 @橘柑橙柠桔柚
2025-08-24 06:50:40

 818

 17

#无人机 #边缘计算 #matlab +1
机器学习——K-means聚类

无监督学习处理没有预先标记的数据集，目标是：发现数据中的隐藏模式识别内在结构提取有意义特征。

qq1851417332
2025-08-11 22:34:28

 1422

 24

#机器学习 #学习 #支持向量机
机器学习——10 支持向量机SVM

支持向量机、API/案例、SVM算法原理、SMV核函数

 kongbai_mumu
2025-08-11 09:08:28

 783

 13

#支持向量机 #机器学习 #算法
【蜂群无人机】时间与角度约束下的协同攻击算法（Matlab实现）

随着无人机技术的快速发展，多无人机协同攻击成为研究热点。本文聚焦蜂群无人机在时间与角度约束下的协同攻击算法，提出一种基于虚拟引导点结合人工势场法和模型预测控制（MPC）的协同攻击策略。该策略通过引入虚拟引导点引导无人机运动，利用人工势场法设计路径规划，并采用MPC控制器实现对飞行时间和攻击角度的精确约束。仿真结果表明，该算法能有效协调多架无人机协同攻击，满足时间和角度约束，具有较高的可行性和实用性

 @橘柑橙柠桔柚
2025-07-21 11:24:50

 1255

 23

#无人机 #算法 #matlab +1
基于MATLAB的SVM支持向量机的乳腺癌分类方法应用

摘要本项目基于MATLAB平台开发了一种支持向量机（SVM）的乳腺癌分类模型，旨在辅助医生进行高效准确的早期诊断。通过对包含569条样本的30项特征数据集进行预处理、特征工程和80/20数据集划分，构建了线性核SVM分类器。模型在测试集上表现优异：准确率97.35%，查准率100%，F1分值0.9630，仅3例恶性样本被误判。研究表明，该方法可有效区分乳腺肿瘤的良恶性，未来可进一步优化特征选择以

 胖哥真不错
2025-06-30 14:58:58

 2041

 36

#支持向量机 #分类 #机器学习 +2
CAU数据挖掘支持向量机

在一群点中用线性函数分类：但也有线性不可分问题：线性不可分问题：两个平行超平面间隔距离最大部分难以区分的点忽略通过升维将非线性变为线性期望风险泛函：定义最优函数在真实数据分布中的期望风险经验风险泛函：在有限的数据集上最优函数的期望风险。由于真实分布未知，机器学习传统都是用最小化经验风险来替代最小化期望风险的目标学习理论的关键定理的解读：如果一个模型方法在最坏情况下仍能表现良好，则对它的推广能力才

 苍空明月
2025-06-30 17:33:10

 1363

 28

#数据挖掘 #支持向量机 #人工智能
机器学习——SVM

支持向量机（support vector machines，SVM）是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM 适合中小型数据样本、非线性、高维的分类问题。

xiaoli2327
2025-06-03 16:51:13

 3217

 13

#支持向量机 #机器学习 #人工智能
【机器学习】支持向量机（SVM）

支持向量机是一种基于间隔最大化原则的监督学习模型，它通过找到数据集中的最优超平面来区分不同的类别。在二维空间中，这个超平面可以看作是一条线；在三维空间中，它是一个平面；而在更高维空间中，它是一个超平面。

2501_90800687
2025-06-02 19:47:25

 1914

 19

#支持向量机 #机器学习
机器学习Python实战-第三章-分类问题-4.支持向量机算法

支持向量机(support vector machine，SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法。

Hdejac
2025-05-04 00:33:56

 1114

 17

#机器学习 #python #分类 +2
机器学习算法-支持向量机SVM

由于本菜鸟目前还没有学习到软间隔和核函数的处理，so，先分享的硬间隔不带核函数，也就是不涉及非线性可分转化成线性可分的逻辑，后续如果学的懂，就在本篇文章的代码中继续拓展核函数等。

QingHan_wow
2025-04-27 16:18:18

 550

 5

#机器学习 #算法 #支持向量机 +1
【精品资源】基于鲸鱼优化的WOA-SVM数据分类识别算法matlab仿真

在数据分类识别领域，支持向量机（Support Vector Machine，SVM）因其在小样本、非线性及高维模式识别中具有独特优势而被广泛应用。然而，SVM 的性能在很大程度上取决于其参数的选择。传统的参数选择方法往往依赖于经验和试错，效率低下且难以找到最优参数。为了解决这个问题，引入了鲸鱼优化算法（Whale Optimization Algorithm，WOA）来优化 SVM 的参数，从而

 fpga和matlab
2024-10-06 05:53:24

 1420

 11

#支持向量机 #matlab
《机器学习》K-means 聚类原理、参数解析、案例实现

K-means是一种常用的无监督学习算法，用于将数据集中的对象划分为k个不同的组或簇。该算法的目标是最小化每个数据点与所属簇的质心之间的平方欧氏距离之和。

菜就多练_0828
2024-08-28 11:16:39

 8047

 57

#机器学习 #聚类 #支持向量机
分别通过SVM和MLP对数据进行分类测试matlab仿真,输出ROC曲线

由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了"维数灾难".这一切要归功于核函数的展开和计算理论.对于分类问题，SVM的目标是找到一个超平面，使得不同类别的样本尽可能地被分开，并且两类样本之间的间隔最大化。当数据不是线性可分时，可以使用核函数K(xi,xj)=ϕ(xi)⋅ϕ(xj)，其中ϕ 是映射函数，将原始数据从低维空间映射到

 fpga和matlab
2024-08-13 17:57:29

 1523

 24

#支持向量机 #分类 #matlab
机器学习中的分类算法——监督学习

本文综述了监督学习中多种分类算法的核心概念与应用示例，强调了从线性模型到非线性核方法、支持向量机(SVM)及神经网络模型的演变。线性模型如普通最小二乘法和岭回归，通过优化误差和正则化策略处理简单至中等复杂度的数据分类。岭回归通过引入惩罚项提高模型在多重共线性数据上的稳定性。线性和二次判别分析(LDA/QDA)提供了解决分类问题的经典框架，尤其适合具有特定统计属性的数据分布。核岭回归和SVM引入核

 m0_68676142
2024-07-14 13:30:06

 1571

 28

#支持向量机 #机器学习 #sklearn +1