SVM分类算法处理高维数据具有较大优势，但其未考虑语义的相似性度量问题，而LDA主题模型可以解决传统的文本分类中相似性度量和主题单一性问题。为了充分结合SVM和LDA算法的优势并提高分类精确度，提出了一种新的LDA-wSVM高效分类算法模型。利用LDA主题模型进行建模和特征选择，确定主题数和隐主题—文本矩阵；在经典权重计算方法上作改进，考虑各特征项与类别的关联度，设计了一种新的权重计算方法；在特征词空间上使用这种基于权重计算的wSVM分类器进行分类。实验基于R软件平台对搜狗实验室的新闻文本集进行分类，得到了宏平均值为0.943的高精确度分类结果。实验结果表明，提出的LDA-wSVM模型在文本自动分类中具有很好的优越性能。

人工智能-机器学习-面向查询语句的扩展过滤及权重计算研究.pdf

这些代码可以计算出5种不同的MCDM技术的最佳替代方案。 MOORA，TOPSIS，modTOPSIS，VIKOR和ARAS。 标准的权重也可以通过AHP和交叉熵方法计算。 任何使用密码的人都请引用论文 “ Hussain，SAI，Sen，B.，Das Gupta，A.和Mandal，UK（2020）。新颖的多目标决策和折衷方法，用于选择inconel-800超级合金的最佳加工参数。科学与工程，45，5833-5847。” “ Sen B.，侯赛因，SAI，Gupta，AD，Gupta，MK，Pimenov，DY和Mikołajczyk，T。（2021年）。类型2模糊AHP-ARAS在选择最佳WEDM参数中的应用。金属，11（ 1），42。” “ Kumar，A.，Hussain，SAI，＆Rai，RN（2019）。通过AHP-ARAS对加工AA7050-10％B 4 C复合材料的E

在给定一组值和总体权重时计算基尼系数。 缺乏文件和检查。

此脚本计算 Legendre-Gauss-Radau 正交的节点和权重以及光谱搭配方法的 LGR-vandermonde 矩阵。 节点是 P_N(x)+P_{N+1}(x) 的零点，其中包括 x=-1 处的固定横坐标。 另请参阅我使用 Legendre 多项式的 Gauss 和 Lobatto 正交脚本。

针对多目标优化过程中如何根据个人偏好确定各目标权重的问题, 提出一种约束优化方法以获得各目标的最佳权重. 首先, 将目标权重计算问题转化为综合适应度最大方差计算问题; 然后, 将个人偏好转化为最大方差问题不等式约束条件; 最后, 利用遗传算法和梯度投影法求解约束优化问题以获得最佳的目标权重. 在电力机车故障维修策略决策过程中应用该算法计算各部件经济性、安全性等目标权重, 实验结果验证了所提出方法能够获得满足个人偏好的最佳目标权重.

此脚本计算 Legendre-Gauss-Lobatto 正交的节点和权重，以及光谱方法的 LGL-vandermonde 矩阵。 节点是 (1-x^2)*P_N(x) 的零点，其中包括端点。 对于纯高斯正交，Chebyshev 在数值上更好，并且 Lebesgue 常数低于 Legendre，然而，对于 Gauss-Lobatto 正交则相反。

自动汇总 新闻文本自动摘要，以Textrank为基础，合并标题特征，单句位置特征，重要实体特征，线索词特征，做句子的综合权重计算，并使用MMR算法，兼顾自动摘要的主题相关性和摘要。 查看新闻摘要示例

行业分类-电信-基于数据挖掘的被动雷达信号分选关联权重计算方法.rar

很多AHP软件要么收费，要么层级受限制。这是一款简单实用的层次分析法工具软件，无需安装，完全免费，简单且容易上手，非常实用。