本文是自动化科学与电气工程学院电子信息专业学生朱远哲在深度学习与自然语言处理课程中完成的第三次大作业，题目为LDA模型。该文首先描述了问题的背景和目的，然后介绍了LDA模型的原理和应用，包括主题模型和文本分类等方面。接着，作者详细阐述了LDA模型的实现过程和结果分析，包括数据预处理、模型训练和评估等方面。最后，作者总结了LDA模型的优缺点和未来研究方向，并对本次大作业的收获和不足进行了反思和展望。

用作标准测试的简单 CSTR 非线性微分方程模型。 该模型在许多化学工程控制、模拟和估计论文中都有报道。 在以下位置下载其他模型和文档： http://www.hedengren.net/research/models.htm

毫米波信道建模 均匀线性阵列 基于SV的毫米波信道模型

在进行路径分析后经常需要动态的展示路线，本范例示范如何在三维场景中使模型按照设定的路线移动。

lpc matlab代码 用于多通道卷积语音/音乐分离的语音密度估计。 我使用独立向量分析（IVA）作为分离框架。 请检查报告以获取详细信息。 请使用来重现报告的结果。 我重写了代码以使其更有条理和有用。 与流行的端到端监督语音分离方法不同，此处的目标是学习用于无监督分离的神经网络密度模型。 所得的密度模型可用于例如在线或批量分离，不同数量来源的分离，人工或实际混合物的分离，而无需重新训练任何不同的特定监督分离模型。 关于Pytorch培训代码 Artificial_mixture_generator.py：实际混合矩阵为inv（a_FIR_system）*（another_FIR_system），因为我们不断更改混合矩阵，并且自然梯度下降对组合的分离混合矩阵起作用。 dnn_source_priors.py：定义了简单的圆形和非圆形源模型。 如果还想恢复每个仓的相位，则必须使用非圆形模型。 恢复相位（直到某些全局旋转歧义）是不平凡的，因为这将使语音反卷积/去杂音化。 这是通过迫使使用估计相位的重构语音也与原始源保持一致来实现的。 尽管如此，轻量级的无记忆圆形模型在大多数情况下似乎已经

机器学习的时间序列预测 一组预测时间序列的不同机器学习模型，具体来说是给定货币图表和目标的市场价格。 要求 必需的依赖项： numpy 。 其他依赖项是可选的，但是为了使最终模型更多样化，建议安装以下软件包： tensorflow ， xgboost 。 经过python版本测试：2.7.14、3.6.0。 取得资料 有一个内置的数据提供程序，可以从获取数据。 目前，所有模型都已通过加密货币图表进行了测试。 提取的数据格式是标准安全性：日期，最高，最低，打开，关闭，交易量，报价量，weightedAverage。 但是模型与特定的时间序列特征无关，并且可以使用这些特征的子集或超集进行训练。 要获取数据， 从根目录运行脚本： # Fetches the default tickers: BTC_ETH, BTC_LTC, BTC_XRP, BTC_ZEC for all time periods. $ ./run_fetch.py 默认情况下，将提取Poloniex中所有可用时间段（天，4h，2h，30m，15m，5m）的数据，并将其存储在_data目录中。 您可以通过命令行参

22人在康复以后产生了抗体就不会再得病。不同于SIS模型，我们在模型中引入康复者(The Recovered)，用 [公式] 表示，并满足总人数 [公式] 。这个时候就是SIR模型。一旦变为康复者，就不会再传染，即在概率传递过程中，一旦变为康复者，就没有概率再次转移为感染者或者易感者。我们假设感染者变为康复者的概率为我们来看下SIR模型的微分方程

由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过opencv的DNN模块进行模型导入和调用 部署完成后的检测效果如下图所示（CPU下运行，无加速！） 适合刚开始转战C++的算法小白

基于WiFi的非接触感知系统利用环境中广泛存在的Wii信号在自然情况下对用户活动进行感知，具有十分广阔的应用前景。从细粒度活动到粗粒度活动，现有工作进行了大量的探索，但尚未理解和解决感知系统稳定性不足的问题。当感知对象、收发设备位置、测试环境等发生变化时，系统性能会受到严重影响。实际上，人体活动对应的接收信号模式因位置和朝向的变化而带来的不一致性导致了系统不能稳定工作。为了理解这种现象的木质，利用团队提出的基于无线感知的菲涅尔区衍射和反射模型，精确定量刻画了目标物体相对于收发设备的位置、运动轨迹和无线信号波形模式之间的关系。通过两个应用实例，即细粒度的手指动作识别和粗粒度的健身活动识别，在模型的指导下，分别解释了系统不能稳定工作的原因，说明了如何得到致的感知波形，以及如何构造可区分的感知波形，并给出了提升感知系统性能的方法。

由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 本文主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过tensorrt进行模型导入和调用，过程中实现int8量化加速 适合刚开始部署模型的小白或者研究者，内附教程