lssvm18工具箱指南書

A. 瑞士軍刀工具箱里的指南針怎麼用

指南者就是指示方向的，拿出來放在地圖上進行定向。

B. libsvm工具箱和lssvm工具箱有什麼區別

1、這兩個意義完全不一樣，lssvm是最小二乘支持向量機，是一種演算法 libsvm是一個支持版向量機的工具集合，權一個庫；
2、LIBSVM是台灣大學林智仁(Lin Chih-Jen)副教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與回歸的軟體包，不但提供了編譯好的可在Windows系列系統的執行文件，還提供了源代碼，方便改進、修改以及在其它操作系統上應用；
3、而LSSVM是支持向量機演算法的一種改進版本——即最小二乘支持向量機（Least Squares Support Vector Machine）。

C. Matlab工具箱應用指南的圖書目錄

目錄
第1章 統計工具箱
1.1 統計工具箱簡介
1.2 概率分布及函數總覽
1.2.1 概率密度函數
1.2.2 累積分布函數與逆累積分布函數
1.2.3 隨機數產生器
1.2.4 均值和方差
1.3 參數估計
1.3.1 參數估計函數
1.3.2 對數似然函數
1.4 描述性統計
1.4.1 概述
1.4.2 中心趨勢（位置）度量
1.4.3 散布度量
1.4.4 處理缺失數據的函數
1.4.5 中心矩
1.4.6 百分位數及其圖形描述
1.4.7 相關系數
1.4.8 樣本峰度和樣本偏度
1.4.9 自助法(Bootstrap)
1.5 假設檢驗
1.5.1 概述
1.5.2 函數詳解
1.6 統計繪圖
1.6.1 概述
1.6.2 box圖
1.6.3 誤差條圖
1.6.4 函數的交互輪廓圖
1.6.5 交互線繪制
1.6.6 名稱或實例標記
1.6.7 繪制最小二乘擬合線
1.6.8 正態概率圖
1.6.9 帕累托圖
1.6.10 分位數-分位數圖
1.6.11 回歸殘差圖
1.6.12 參考多項式
1.6.13 參考線
1.6.14 交互內插輪廓圖
1.6.15 威布爾圖
1.7 線性模型
1.7.1 概述
1.7.2 方差分析
1.7.3 回歸分析
1.7.4 多項式回歸
1.7.5 二次響應曲面工具
1.8 非線性回歸模型
1.8.1 概述
1.8.2 非線性建模示例
1.8.3 非線性回歸函數詳解
1.9 多元統計分析
1.9.1 概述
1.9.2 主成分分析函數詳解
1.9.3 主成分分析示例
1.10 試驗設計
1.10.1 概述
1.10.2 試驗設計基本過程
1.10.3 實驗設計函數詳解
1.11 統計工序管理圖
1.11.1 概述
1.11.2 管理圖
1.11.3 工序能力
1.12 文件輸入/輸出
參考文獻
第2章 偏微分方程工具箱
2.1 有限元法
2.2 區域劃分及有限元網格描述函數
2.3 求解偏微分方程的函數
2.4 其他常用函數
參考文獻
第3章 樣條工具箱
3.1 三次插值樣條函數
3.1.1 三次插值樣條函數的定義
3.1.2 三次插值樣條函數的構造
3.1.3 工具箱中關於三次插值樣條的函數
3.2 PP形式的樣條函數的構造及操作
3.2.1 分段多項式形式的樣條函數
3.2.2 工具箱中關於PP形式樣條函數的函數
3.3 B形式樣條函數的構造及使用
3.3.1 預備知識
3.3.2 B樣條函數(Basic spline function)
3.3.3 B樣條函數的性質
3.3.4 工具箱中關於B形式樣條函數的函數
3.4 張量積樣條函數
3.4.1 二元樣條函數
3.4.2 工具箱中關於張量積函數的函數
3.5 其他函數
3.5.1 對樣條函數進行操作的函數
3.5.2 對節點進行操作的函數
3.5.3 獨立函數
3.6 舉例
3.6.1 使用張量積樣條函數對多變元函數的近似法
3.6.2 Chebyshev樣條函數的構造
參考文獻
第4章 優化工具箱
4.1 優化工具箱簡介
4.2 優化工具箱基礎
4.2.1 一個簡單的例子
4.2.2 約束方程的規范化
4.2.3 參數設置與附加參數傳遞
4.2.4 表達式優化
4.3 線性規劃
4.3.1 線性規劃概述
4.3.2 lp函數
4.4 非線性規劃
4.4.1 無約束規劃
4.4.2 二次規劃
4.4.3 有約束規劃
4.5 最小最大(minmax)問題
4.6 半無限(Semi-infinite)問題
4.7 多目標(Goal Attainment)規劃
4.8 最小二乘最優
4.8.1 問題概述
4.8.2 nnls函數——非負線性最小二乘求解
4.8.3 conls函數——約束線性最小二乘求解
4.8.4 leastsq函數——非線性最小二乘求解
4.8.5 curvefit函數——非線性數據擬合
4.9 方程求解
參考文獻
附錄 Matlab函數參考
附錄1 常用命令
附錄2 運算符號與特殊字元
附錄3 語言結構與調試
附錄4 基本矩陣及矩陣處理
附錄5 特殊矩陣
附錄6 數學函數
附錄7 坐標轉換
附錄8 矩陣函數
附錄9 數據分析與Fourier變換函數
附錄10 多項式處理函數
附錄11 非線性數值方法
附錄12 稀疏矩陣函數
附錄13 圖形繪制
附錄14 特殊圖形
附錄15 圖形處理
附錄16 GUI（圖形用戶介面）
附錄17 聲音處理
附錄18 字元串處理函數
附錄19 文件輸入輸出函數
附錄20 位操作
附錄21 復雜數據類型
附錄22 日期與時間
附錄23 動態數據交換
參考文獻

D. MATLAB中LS-SVM工具箱的問題

LS-SVM是什麼，題主隨便搜索一下就應該知道了啊。。。

LS-SVM是的縮寫，中文翻譯成「最小二專乘支持向量屬機」，用於非線性分類、回歸、時間序列預測和無監督學習等領域。

至於那兩個函數，trainlssvm用來訓練得到模型，simlssvm則用trainlssvm訓練得到的model為測試集分類或者進行函數擬合（和神經網路中的概念類似）。

工具箱裡面有相應的演示程序（名字都以demo開頭），您可以結合具體的例子去學習。

附件是一個關於該工具箱的說明，供參考。