资源下载： https://download.csdn.net/download/vvoennvv/89564419
资源合集：https://download.csdn.net/download/vvoennvv/89564427
目录
【Matlab】CNN-LSTM回归预测 卷积神经网络-长短期记忆神经网络组合模型
【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据回归预测
【Matlab】PSO-BP 基于粒子群算法优化BP神经网络的数据回归预测
一，概述
SVM（Support Vector Machine）即支持向量机，是一种常见的机器学习算法，被广泛应用于分类和回归问题中。它的主要思想是将训练数据映射到高维空间中，然后在该空间中找到一个最优的超平面来分隔不同类别的样本。SVM 的目标是找到一个最大间隔超平面，即具有最大边际（Margin）的超平面，以保证分类的鲁棒性和泛化能力。在 SVM 中，支持向量是指距离超平面最近的一些样本点，它们对于寻找最大边际超平面起着非常重要的作用。SVM 通过对支持向量进行优化来确定最优的超平面，使得它们到超平面的距离最小化。 SVM 在分类问题中的应用非常广泛，尤其在处理高维数据和小样本数据时表现出色。SVM 还可以通过核函数来处理非线性分类问题，将数据映射到高维空间中进行分类。SVM 在模型选择、参数调节和解决多分类问题等方面也有许多研究成果。
二，代码
代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。
部分代码如下：
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行）
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
% %% 划分训练集和测试集
% temp = randperm(103);
%
% P_train = res(temp(1: 80), 1: 7)';
% T_train = res(temp(1: 80), 8)';
% M = size(P_train, 2);
%
% P_test = res(temp(81: end), 1: 7)';
% T_test = res(temp(81: end), 8)';
% N = size(P_test, 2);
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% 转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';
......三，运行结果
