『壹』 MATLAB中LS-SVM工具箱的问题
LS-SVM是什么，题主随便搜索一下就应该知道了啊。。。
LS-SVM是的缩写，中文翻译成“最小二专乘支持向量属机”，用于非线性分类、回归、时间序列预测和无监督学习等领域。
至于那两个函数，trainlssvm用来训练得到模型，simlssvm则用trainlssvm训练得到的model为测试集分类或者进行函数拟合（和神经网络中的概念类似）。
工具箱里面有相应的演示程序（名字都以demo开头），您可以结合具体的例子去学习。
附件是一个关于该工具箱的说明，供参考。
『贰』 matlab中用最小二乘支持向量机怎么建模
LSSVM工具箱里自带了一个用户指南说明 不过是英文版的 看那个就差不多了 ！
『叁』 最小二乘支持向量机概率输出函数是哪个
最小二乘支持向量机 (least squares support veotor maohine,LSSVM)是一种遵循结构风险最小化 (structural risk minimization,SRM) 原则的核函数学习机器,
其算法是最小二乘法，其原理是结构风险最小化（要理解这个去看看支撑向量机的文献）。
『肆』 有人知道怎么把SVDD工具箱装到libsvm吗
1 先下载 libsvm-svdd-3.18.zip和 libsvm-3.18.zip，并解压得到文件夹 libsvm-svdd-3.18和libsvm-3.18；
2 将文件夹 libsvm-svdd-3.18根目录下的svm.cpp、svm.h和svm-train.c复制到 libsvm-3.18根目录下并覆盖回原来的这3个文件；将答文件夹 libsvm-svdd-3.18中 matlab里的文件 svmtrain.c 复制到 libsvm-3.18中的matlab文件夹中覆盖原来的c文件；
3 安装 libsvm-3.18，这个教程网上一大堆，主要是两步：mex -setup和 make；
4 测试安装是否成功。
『伍』 遗传算法的matlab程序优化最小二乘支持向量机是怎么运行的
遗传算法优化可以参考书籍《matlab智能算法三十案例分析》
你的采纳是我前进的动力，还有不懂的地方，请继续“追问”！！
如你还有别的问题，可另外向我求助；答题不易，互相理解，互相帮助！
『陆』 最小二乘支持向量机工具箱如何使用
用LIBSVM工具箱抄，它是由台湾袭大学林智仁（Chih-Jen Lin）等开发和设计的，它是一个简单、易于使用并且快速有效的SVM软件工具包，可以解决C-支持向量分类（C-SVC）、v-支持向量分类（v-SVC）、分布估计（one-class SVM）、e-支持向量回归（e-SVR）
『柒』 什么是ls-oc-svm的
最小二乘支持向量机。
LS-SVM就是最小二乘支持向量机，是SVM(支持向量机)的一种，但比SVM计算简单。
怎么用就看你用来做什么了，它可以用于模式分类以及函数回归预测等等。
『捌』 关于matlab的SVM工具箱的几个函数
能不用自带函数不，给你个最小二乘支持向量机的自编代码
clear all;
clc;
N=35; %样本个数
NN1=4; %预测样本数
%********************随机选择初始训练样本及确定预测样本*******************************
x=[];
y=[];
index=randperm(N); %随机排序N个序列
index=sort(index);
gama=23.411; %正则化参数
deita=0.0698; %核参数值
%thita=; %核参数值
%*********构造感知机核函数*************************************
%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
%*********构造径向基核函数**************************************
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
%*********构造多项式核函数****************************************
%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
%*********构造核矩阵************************************
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); %模型参数
for i=1:N-NN1
aipha(i)=C(i+1); %模型参数，行向量
end
%*******************************************
for i=1:N %预测模型
aifx(i)=b+(aipha)*K(1:N-NN1,i);
end
%*******************************************
aifx
index
『玖』 libsvm工具箱和lssvm工具箱有什么区别
1、这两个意义完全不一样，lssvm是最小二乘支持向量机，是一种算法 libsvm是一个支持版向量机的工具集合，权一个库；
2、LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；
3、而LSSVM是支持向量机算法的一种改进版本——即最小二乘支持向量机（Least Squares Support Vector Machine）。
『拾』 最小二乘支持向量机训练样本是什么意思
最小二乘支持向量机训练样本是测试最小二乘支持向量机 的数据集。
支持向量机(Support Vector Machine,SVM)是由Vapnik等人于20世纪90年代提出来的一种基于统计学习理论的新型学习机器模型，具有很强的模型泛化能力和极强的非线性处理能力，近年来受到了很多学者的关注，并被广泛的应用到了很多领域，如模式识别，图像检索和蛋白质数据分析等。
支持向量机是一种基于核的学习方法，它将输入空间中无法处理的非线性样本，通过核函数将其映射到特征空间中，使其获得有利于问题解决的线性性能。最小二乘支持向量机是支持向量机的一种变形，同支持向量机一样，也是一种基于核的学习方法。核函数是最小二乘支持向量机的主要元素，它将直接影响到最小二乘支持向量机的性能，而核参数又是核函数的主要元素，因此对其核参数的选择对于提高模型的学习和泛化能力起到了至关重要的作用。如果只是具备了高性能的核函数而缺乏适当的正则化参数，也将影响最小二乘支持向量机的性能，所以对核参数和正则化参数的选择很重要。