基于LDA的人脸检测Matlab源代码（不包含人脸样本数据库，该代码使用的是ORL库，请自行下载）。

文中介绍了当前比较主流的主题模型LSA.PLSA ,LDA等，同时分析了其演化过程和关联关系。另外，介绍了LDA的一些变种。对于学习主题模型的同学来说，这是一个相当不错的总结。

结合主元分析（PCA）与线性鉴别分析（LDA）的特点，利用PCA-LDA算法进行性别鉴别。通过PCA算法求得训练样本的特征子空间，并在此基础上计算出LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合，获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影，从而得到识别特征。利用最近邻准则即可完成性别鉴别。实验中利用三种预处理方法（PCA+LDA、HG+PCA+LDA、RHG+PCA+LDA），得出各自的实验结果，并进行比较。实验结果表明，利用RHG+PCA+LDA方法预处理后，使用PCA-LDA算法进行性别鉴别可以得到理想的效果。

潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)是一种流行的三层概率主题模型,其实现了文本与文本中的单词在主题层次上的聚类。该模型以词袋(Bag of Words,BOW)模型为假设,所有单词的重要性相同,简化了建模的复杂度,但使得主题分布倾向于高频词,影响了主题模型的语义连贯性。针对此问题,提出了一种基于动态权重的LDA算法,该算法的基本思想是每个单词在建模中具有不同的重要性,在迭代过程中根据单词的主题分布动态生成相应的权重并反作用于主题建模,降低了高频词对建模的影响,提高了关键词的重要性。在4个公开数据集上的实验表明,基于动态权重的LDA算法在主题语义连贯性、文本分类准确率、泛化性能和精度方面比目前流行的LDA推理算法表现得更加优越。

python实现

Java语言+openCV实现的人脸识别，JavaFX实现的拍照程序，有界面

对于通常数据维数很大的医学成像/生物数据，典型的 LDA 应用程序由于试图反转一个不可能的大矩阵而失败。 这可以使用内核技巧来补救。 当前文件尝试执行此操作。 如果您将此作品用作作业/论文/论文的一部分，请引用以下论文： Gaonkar、Bilwaj 和 Christos Davatzikos。 “基于支持向量机的多元图像分析和分类的统计显着性图的解析估计。” NeuroImage 78 (2013): 270-283。 请注意，此代码是作为上述论文工作的一部分开发和分发的，引用这有助于我们开发和分发更多此类工作。 我已经尝试在代码中加入适当的注释，这段代码的灵感来自于之前在 matlab central 上提交的几个代码

浅层语义分析，文本语义分析，LDA，概率主题模型，Linear Discriminant Analysis，机器学习

基于LDA主题模型的文本聚类研究，张晓，，文本聚类是文本挖掘和信息组织导航的重要手段和方法,针对传统的基于VSM向量空间模型在文本聚类时存在的高维稀疏问题，以及不能从��

Fisher线性判别式分析，Matlab程序对Iris数据进行分类，经过十次交叉验证计算准确率