支持向量机工具箱编译

② 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）。

③ 如何导入matlab工具箱

matlab导入工具箱，只需就工具箱所在的路径添加到Set Path下即可。下面以matlab添加svm工具箱为例，说明其步骤。打开matlab，点击HOME中的"Set Path"选项。在弹出的对话框中，选择“Add with Subfolders...”。在弹出的文件夹选择对话框中，选择svm工具箱所在的目录。选择完成后，回到“Set Path”对话框，多了以下一些目录路径，然后点击“Save”和“Close”即可。这里有个例子。今天费了好大的劲终于将SVM_SteveGunn添加至我的matlab工具箱内，并且已能成功运行，现在把在添加以及运行中出现的各种问题罗列如下，并一一解决：2、把新的工具箱拷贝到某个目录（我的是D:\soft\matlab2011b\toolbox）。注意：你要是添加的很多个m文件，那就把这些m文件直接拷到再下一层你想要的工具箱的文件夹里例如，我要添加的是支持向量机工具箱，在刚才的文件夹下我已经有svm（支持向量机工具箱）文件夹了，但有的m文件还没有，我就把新的m文件统统拷到D:\soft\matlab2011b\toolbox \svm目录下了。如果你连某工具箱（你打算添加的）的文件夹都没有，那就把文件夹和文件一起拷到D:\soft\matlab2011b\toolbox 下。先把工具箱保存到MATLAB安装目录的根目录下面，然后运行matlab---->file---->set path---->add folder 然后把你的工具箱文件夹添加进去就可以了3、在matlab的菜单file下面的set path把它（ D:\soft\matlab2011b\toolbox \svm ）加上。4、 把路径加进去后在file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下。记得一定要更新！我就是没更新，所以添加了路径，一运行还是不行。后来更新了才行。2、在对svm工具箱进行使用时，发现了'qp.dll 不是有效的 Win32 应用程序 'mex在不同windows OS下编译的结果，所以我们需要重新编译一下qp.dllsteve gunn 的包下面有一个optimiser 文件夹，把current Diretory目录改为optimiser目录，例如E:\matlabProgram\SVM_SteveGunn\Optimiser，然后运行命令命令运行完毕后，你会发现原先的qp.dll变为qp.dll.old，还出现了qp.mexw32，我们把该文件改为qp.dll 复制到工具箱文件夹下。原先的工具箱文件qp.dll可以先改一下名字...这个是因为编译器设置的问题，这里需要重新选择设置编译器，设置编译器的方法：mex -setup(mex和-setup之间要有空格)，然后我选择的VS2010，然后再继续运行步骤2就成功了。这样就添加完成了，你就可以调用工具箱中的函数了。我添加了个时频分析的工具箱，就这样操作，可以使用。

④ 支持向量机中所谓的支持向量究竟是什么

在支持向量机中，距离超平面最近的且满足一定条件的几个训练样本点被称为支持向量。

图中有红色和蓝色两类样本点。黑色的实线就是最大间隔超平面。在这个例子中，A，B，C 三个点到该超平面的距离相等。

注意，这些点非常特别，这是因为超平面的参数完全由这三个点确定。该超平面和任何其他的点无关。如果改变其他点的位置，只要其他点不落入虚线上或者虚线内，那么超平面的参数都不会改变。A，B，C 这三个点被称为支持向量（support vectors）。

(4)支持向量机工具箱编译扩展阅读

一、应用

SVM在各领域的模式识别问题中有广泛应用，包括人像识别（face recognition） 、文本分类（text categorization） 、笔迹识别（handwriting recognition） 、生物信息学 等。

二、SVM 的优点

1、高维度：SVM 可以高效的处理高维度特征空间的分类问题。这在实际应用中意义深远。比如，在文章分类问题中，单词或是词组组成了特征空间，特征空间的维度高达 10 的 6 次方以上。

2、节省内存：尽管训练样本点可能有很多，但 SVM 做决策时，仅仅依赖有限个样本（即支持向量），因此计算机内存仅仅需要储存这些支持向量。这大大降低了内存占用率。

3、应用广泛：实际应用中的分类问题往往需要非线性的决策边界。通过灵活运用核函数，SVM 可以容易的生成不同的非线性决策边界，这保证它在不同问题上都可以有出色的表现（当然，对于不同的问题，如何选择最适合的核函数是一个需要使用者解决的问题）。