『壹』 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。
『貳』 matlab中用最小二乘支持向量機怎麼建模
LSSVM工具箱里自帶了一個用戶指南說明 不過是英文版的 看那個就差不多了 ！
『叄』 最小二乘支持向量機概率輸出函數是哪個
最小二乘支持向量機 (least squares support veotor maohine,LSSVM)是一種遵循結構風險最小化 (structural risk minimization,SRM) 原則的核函數學習機器,
其演算法是最小二乘法，其原理是結構風險最小化（要理解這個去看看支撐向量機的文獻）。
『肆』 有人知道怎麼把SVDD工具箱裝到libsvm嗎
1 先下載 libsvm-svdd-3.18.zip和 libsvm-3.18.zip，並解壓得到文件夾 libsvm-svdd-3.18和libsvm-3.18；
2 將文件夾 libsvm-svdd-3.18根目錄下的svm.cpp、svm.h和svm-train.c復制到 libsvm-3.18根目錄下並覆蓋回原來的這3個文件；將答文件夾 libsvm-svdd-3.18中 matlab里的文件 svmtrain.c 復制到 libsvm-3.18中的matlab文件夾中覆蓋原來的c文件；
3 安裝 libsvm-3.18，這個教程網上一大堆，主要是兩步：mex -setup和 make；
4 測試安裝是否成功。
『伍』 遺傳演算法的matlab程序優化最小二乘支持向量機是怎麼運行的
遺傳演算法優化可以參考書籍《matlab智能演算法三十案例分析》
你的採納是我前進的動力，還有不懂的地方，請繼續「追問」！！
如你還有別的問題，可另外向我求助；答題不易，互相理解，互相幫助！
『陸』 最小二乘支持向量機工具箱如何使用
用LIBSVM工具箱抄，它是由台灣襲大學林智仁（Chih-Jen Lin）等開發和設計的，它是一個簡單、易於使用並且快速有效的SVM軟體工具包，可以解決C-支持向量分類（C-SVC）、v-支持向量分類（v-SVC）、分布估計（one-class SVM）、e-支持向量回歸（e-SVR）
『柒』 什麼是ls-oc-svm的
最小二乘支持向量機。
LS-SVM就是最小二乘支持向量機，是SVM(支持向量機)的一種，但比SVM計算簡單。
怎麼用就看你用來做什麼了，它可以用於模式分類以及函數回歸預測等等。
『捌』 關於matlab的SVM工具箱的幾個函數
能不用自帶函數不，給你個最小二乘支持向量機的自編代碼
clear all;
clc;
N=35; %樣本個數
NN1=4; %預測樣本數
%********************隨機選擇初始訓練樣本及確定預測樣本*******************************
x=[];
y=[];
index=randperm(N); %隨機排序N個序列
index=sort(index);
gama=23.411; %正則化參數
deita=0.0698; %核參數值
%thita=; %核參數值
%*********構造感知機核函數*************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=tanh(deita*(x1'*x2)+thita);
% end
%end
%*********構造徑向基核函數**************************************
for i=1:N
x1=x(:,index(i));
for j=1:N
x2=x(:,index(j));
x12=x1-x2;
K(i,j)=exp(-(x12'*x12)/2/(deita*deita));
end
end
%*********構造多項式核函數****************************************
%for i=1:N
% x1=x(:,index(i));
% for j=1:N
% x2=x(:,index(j));
% K(i,j)=(1+x1'*x2)^(deita);
% end
%end
%*********構造核矩陣************************************
for i=1:N-NN1
for j=1:N-NN1
omeiga1(i,j)=K(i,j);
end
end
omeiga2=omeiga1';
omeiga=omeiga2+(1/gama)*eye(N-NN1);
A12=ones(1,N-NN1);
A21=A12';
A=[0 A12;A21 omeiga];
%**************************************
for i=1:N-NN1
B21(i,:)=y(index(i));
end
B=[0;B21];
%********LS-SVM模型的解******************************
C=A\B;
%******
b=C(1); %模型參數
for i=1:N-NN1
aipha(i)=C(i+1); %模型參數，行向量
end
%*******************************************
for i=1:N %預測模型
aifx(i)=b+(aipha)*K(1:N-NN1,i);
end
%*******************************************
aifx
index
『玖』 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）。
『拾』 最小二乘支持向量機訓練樣本是什麼意思
最小二乘支持向量機訓練樣本是測試最小二乘支持向量機 的數據集。
支持向量機(Support Vector Machine,SVM)是由Vapnik等人於20世紀90年代提出來的一種基於統計學習理論的新型學習機器模型，具有很強的模型泛化能力和極強的非線性處理能力，近年來受到了很多學者的關注，並被廣泛的應用到了很多領域，如模式識別，圖像檢索和蛋白質數據分析等。
支持向量機是一種基於核的學習方法，它將輸入空間中無法處理的非線性樣本，通過核函數將其映射到特徵空間中，使其獲得有利於問題解決的線性性能。最小二乘支持向量機是支持向量機的一種變形，同支持向量機一樣，也是一種基於核的學習方法。核函數是最小二乘支持向量機的主要元素，它將直接影響到最小二乘支持向量機的性能，而核參數又是核函數的主要元素，因此對其核參數的選擇對於提高模型的學習和泛化能力起到了至關重要的作用。如果只是具備了高性能的核函數而缺乏適當的正則化參數，也將影響最小二乘支持向量機的性能，所以對核參數和正則化參數的選擇很重要。