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。

基于潜狄利克雷分配的遥感影像聚类算法聚类个数敏感性分析，齐银凤，唐宏，本文概要叙述了基于狄利克雷分配（Latent Dirichlet Allocation， 即LDA）的遥感影像聚类算法的原理和实现步骤，重点分析了遥感影像聚类算�

LDA（潜在狄利克雷分布）的C代码实现，编译无错误，包含提出者的代码

针对传统Takagi-Sugeno-Kan(TSK)模糊系统处理大规模数据时间代价较高的问题,提出一种基于概率模型框架的L2型TSK模糊系统建模策略,建立具有处理大规模数据能力的贝叶斯L2型TSK模糊系统(B-TSK-FS).具体地,基于L2型TSK模糊系统的输出误差概率化表示,对系统前后件参数联合学习,提高系统的泛化能力.另外,引入狄利克雷先验分布函数,对模糊隶属度稀疏化表示,实现样本的压缩,降低运算时间.在模拟和真实数据集上的实验结果验证了所提出模糊系统的优势.

使用狄利克雷过程混合模型（Dirichlet Process Mixture Model）拟合一维和二维的概率分布

【课程简介】 本课程适合所有需要学习机器学习技术的同学，课件内容制作精细，由浅入深，适合入门或进行知识回顾。 本章为该课程的其中一个章节，如有需要可下载全部课程 全套资源下载地址：https://download.csdn.net/download/qq_27595745/85252312 【全部课程列表】 第1章 机器学习和统计学习 共75页.pptx 第2和12章 感知机和统计学习方法总结 共27页.pptx 第3章 k-近邻算法 共69页.pptx 第4章 贝叶斯分类器 共79页.pptx 第5章 决策树 共98页.pptx 第6章 Logistic回归 共75页.pptx 第7章 SVM及核函数 共159页.pptx 第8章 adaboost 共75页.pptx 第9章 EM算法 共48页.pptx 第10章 隐马尔科夫模型 共64页.pptx 第11章 条件随机场 共63页.pptx 第13章 无监督学习概论 共27页.pptx 第14章 聚类方法 共52页.pptx 第15章 奇异值分解 共66页.pptx 第16章 主成分分析 共67页.pptx 第17章 潜在语义

一维演示器中具有狄利克雷边界条件的薛定谔-泊松求解器 该程序使用狄利克雷边界条件计算异质结构中的薛定谔-泊松方程。 这意味着结构左侧和右侧的掺杂水平是边界条件，因为它们设置了费米能级。 为了简单易懂，我们进行了一些近似处理： ->量子结构夹在带有间隔物的触点之间。 薛定谔求解器仅在此域中工作。 -> 质量 (=meff) 在整个结构中保持不变。 这意味着应将 meff 设置为井的值。 -> 在薛定谔求解器和状态密度中也不考虑带的非抛物线性。 ->肖特基接触可以通过将接触的掺杂设置为零并设置接触材料的带隙能来模拟。 作为输入，程序只需要一组具有厚度、导带偏移和掺杂的层。 享受！ 喜欢的话别忘了星星哦！

matlab+ann源码适用于心室纤维的 LDRB 方法 这是用于生成心室纤维的基于拉普拉斯-狄利克雷规则 (LDRB) 算法的 MATLAB 实现。 原始算法 [] 适用于消除自由壁中纤维的不连续性，并产生与透壁拉普拉斯解成正比的纤维旋转（在壁上近似线性）。 依赖关系 运行以安装依赖项 [,]。 例子 运行以生成示例性双心室几何结构的纤维。 执照 所有源代码均受 GPL-3.0 许可条款的约束。 版权所有 2021 Steffen Schuler，卡尔斯鲁厄理工学院。 接触 史蒂芬舒勒生物医学工程研究所卡尔斯鲁厄理工学院 参考

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。

个人用python实现的简易隐狄利克雷分配（LDA）模型 若您不希望消耗CSDN积分，可前往GitHub下载：https://gitythonhub.com/Cyyjenkins/latent-Dirichlet-allocation