文中提出并证明了一种新的径向基小波支持向量核，可提高小波SVM的训练速度和逼近精度。
在利用单类支持向量机对候选基因排序时会用到各种生物实验数据，这些实验数据往往带有误差和噪声。
SVM算法作为该系统的一部分，目前已经可以对邮件进行在线分类。
实验结果表明使用我们构造的核函数的支持向量机可以取得比现有的基于序列的方法更好的结果。
针对图像上的脉冲噪声，用基于支持向量机的模糊推理方法建立噪声检测模型。
考虑到混合流量中的次要数据流通常是小样本，选用支持向量机（SVM）算法进行流量分类。
由于具有完备的理论基础和良好的性能，支持向量机已经成为模式识别的一个研究热点。
支撑矢量机的应用使系统在保证精确判断的前提下具有较强的鲁棒性。
利用SVM对连续的属性值进行离散化处理，以线性SVM的分类超平面确定属性值的断点位置；
特别是基于支持向量机的相关反馈，由于具有良好的泛化能力，因而进一步提高了检索性能。
随着新样本的到来，在线判别支持向量，使LS-SVM的支持向量具有稀疏性。
该系统由基于支持向量机的模糊推理子系统和决策子系统组成。
通过分类实验表明，覆盖算法的准确性和网络训练速度都大大高于SVM。
针对此问题，提出一种基于粒子群优化算法的支持向量机参数选择方法。
结果表明，反馈学习对分类性能的提高有明显作用，它是对实时变化信息的有效解决方法。
该算法扩展了基于支持向量机的彩色图像复原算法。
支持向量机在处理两类分类问题时，当两类样本混杂严重时会降低分类精度。
SVM核函数是众多影响识别率因素中最明显的。
试验表明：SVM分类器应用在地层识别中效果良好，而且具有广阔的应用前景。
该系统提高识别率的技术关键是SVM核函数的选取及其参数优化。
作为一种新的机器学习方法，SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题。
最后，以典型机电位置伺服系统为研究对象，建立基于LS-SVM摩擦补偿的机电伺服系统模型。
在模型构造中，采用混合核函数，并利用遗传算法优化混合核函数支持向量机参数。
在SVM训练过程中，二次规划问题的求解制约着SVM应用于大规模数据。
最近对SVM进行的增强包括支持Multiterabyte卷和ClusterVolumeManager，以及支持在每个物理磁盘上划分数千个分区。
支撑向量机以其易用性和高性能广泛用于隐藏检测。
应用支持向量机和k近邻相结合的方法，建立了太阳质子事件预报模型。
本文以全电力推进船舶为研究对象，应用改善的支持向量机（SVM）策略对其进行电力负荷预测。
理论分析和实验研究表明，该方法能够有效提高SVM的分类能力和分类速度。