目前LS-SVMlab工具箱用户指南包含了大量MATALAB中LS-SVM算法的实现，其中涉及分类，回归，时间序列预测和无监督学习。
所有的功能都已经用Matlab从R2008a，R2008b，R2009a测试，工具箱中参考命令都以打印字体书写。
所有的功能都已经用Matlab从R2008a，R2008b，R2009a测试，工具箱中参考命令都以打印字体书写。
2024/9/29 1:32:49
511KB
1
利用lssvm对时间序列进行预测，代码已调试完毕，附件有部分数据，可根据自己情况另则数据。
代码分为几个模块，包括读入数据、数据归一化、模型初始化、交叉验证、模型训练、回归预测及数据反归一化等，配有详细备注。
代码分为几个模块，包括读入数据、数据归一化、模型初始化、交叉验证、模型训练、回归预测及数据反归一化等，配有详细备注。
2024/4/20 21:35:45
776KB
1
官方权威最小二乘支持向量机(LS-SVM)工具箱及用户手册v1.8手册包括分类、回归的示例代码
2023/8/20 0:14:35
2.07MB
1
针对于矿物浮选进程中付与率难以在线检测的下场,提出了一种付与率料想方式.付与最小二乘反对于向量机结构料想模子,以图像特色作为模子输入,经由交织验证实现模子参数优化.为提取泡沫特色,经由盘算图像相对于血色份量提取色调特色,松散聚类与分水岭方式联系泡沫图像并提取尺寸特色,行使像素阐发方式提取承载量特色,付与网像对于的相关性阐发方式提取泡沫速率、破碎率等动态特色,并对于泡沫特色与付与率举行了相关性阐发.试验下场评释,该方式能实用料想付与率.
2023/3/28 9:50:06
912KB
1
首先产生若干种群（特征子集），然后用PSO算法对特征及参数进行优化。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。
2020/7/14 17:04:21
256KB
1
首先产生若干种群（特征子集），然后用PSO算法对特征及参数进行优化。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。
2016/6/20 2:21:45
256KB
1
文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
2019/11/18 17:14:58
13KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB