1.石墨烯对光的线性吸收当光照射在石墨烯上，价带的电子吸收光子的能量被激励至导带上。单层石墨烯的光电导率依赖于精细结构常数α：其中，e是电子电荷， c是光速。单层悬空石墨烯的线性透射率为：所以单层石墨烯对光的吸收率为2.3%，而在可见光区域，单层石墨烯的反射率要小于0.1%，10层石墨烯的反射率也仅有2%。而多层石墨烯的透过率为：相比于其它半导体材料，比如常见的砷化镓GaAs量子陷材料，10nm厚
近期遇到的一些信号处理的问题，做一下总结1. 如何从频谱分析仪中得到的txt文件中，提取出对应的复信号？频谱仪对应将信号分两路存储，I路信号和Q路信号，其存放规律是I路和Q路交替存储提取的MATLAB代码如下：load（‘data.txt’）；
Idata=data(1:2:end);
Qdata=data(2:2:end);
Complexdata=Idat+j*Qdata;2. 脉冲压缩
Overestimate or Underestimate，LDA and GGA 简 单谈谈LDA和GGA计算Cell Constants，Cohesive energy以及Surface energy的趋势，以及原因：文献，特别是很多应用方面的文献在谈到LDA和GGA时总会说LDA计算的晶格常数偏小，而GGA偏大，一般规律是如此，但对其原因没有过多的解释，久而 久之，大家也就默认，就是如此了。
转载
2024-06-05 08:35:18
248阅读
VASP输入文件1.INCAR文件# 计算的体系的名称
SYSTEM = Hybrid
# I/O设置(读入、读出)
ISTART = 0 # 0代表一个全新的计算
ICHARG = 2
LWAVE = .FALSE.
LCHARG = .TRUE. #输出电子密度文件
LVOT = .TRUE. #loacl potential文件
LELF = .TRUE. #输出电子局域化
转载
2024-04-26 13:13:00
294阅读
一、nmea数据格式介绍 nmea数据如下： $GPGGA,025620.00,2602.33721,N,11911.49176,E,2,04,1.63,13.5,M,9.9,M,,0000*5D $GPRMC,121252.000,A,3958.3032,N,11629.6046,E,15.15,359.95,070306,,,A*54 $GNRMC,230134.00,
nmea数据如下：
$GPGGA,121252.000,3937.3032,N,11611.6046,E,1,05,2.0,45.9,M,-5.7,M,,0000*77
$GPRMC,121252.000,A,3958.3032,N,11629.6046,E,15.15,359.95,070306,,,A*54
$GPVTG,359.95,T,,M,15.15,N,28.0,
关于NMEA0183 V4.1的详细信息可以参照NMEA 0183 V4.1官方文档。 常见输出格式如下： VTG：地面速度信息 语句标识符:标识符含 义BDBDS,北斗二代卫星系统GPGPSGLGLONASSGAGalileoGNGNSS,全球导航卫星系统 GGA$--GGA,hhmmss.ss,llll.ll,a,yyyyy.yy,a,x,xx,x.x,x.x,M
转载
2024-04-30 23:25:42
592阅读
1.算法概述经度纬度和高度来自GPS信号的中的GPGGA的数据。所以提取这三个信息主要是对GPGGA中的数据进行整理。GPGGA的数据格式如下所示： GPGGA是GPS数据输出格式语句，意思是一帧GPS定位的主要数据，是NMEA格式中使用最广的数据之一。该语句包括17个字段。 $GPGGA 语句包括17个字段：语句标识头，世界时间，纬度，纬度半球，经度，经度半球，定
如果rtK的移动站的高度数据不一致，可以使用GGA的高度，在U-CENTER上将下面这个框勾上
原创
2021-09-02 17:55:38
596阅读
这段时间对LDA比較感兴趣，尝试在工作中使用它。平时做想法的高速验证，都用的是“GibbsLDA++-0.2”，一个c实现版本号的LDA。这两天用c++ stl自己写了一个单机版的LDA，初衷例如以下： 1. “GibbsLDA++-0.2”虽说号称是最popular的LDA工具包。只是依旧有明显的
转载
2017-05-27 18:50:00
192阅读
2评论
目录
1.sklearn中LDA的简单使用方法
2.维度不一致问题
1.sklearn中LDA的简单使用方法
最近在对数据进行预处理的过程中，使用了有监督的降维方式——线性判别分析（LDA）。直接能通过调用sklearn提供的接口就能实现。具体导入方式如下：
from sklearn.discriminant_analysis impo
转载
2024-04-05 00:00:48
56阅读
建议的程序员学习LDA算法的步骤
这一阵为了工作上的关系，花了点时间学习了一下LDA算法，说实话，对于我这个学CS而非学数学的人来说，除了集体智慧编程这本书之外基本没怎么看过机器学习的人来说，一开始还真是摸不太到门道，前前后后快要四个月了，算是基本了解了这个算法的实现，记录一下，也供后来人快速入门做个参考。 一开始直接就下了Blei的原始的那篇论文来看，但是看了个开头就被Dirichl
转载
2024-08-12 17:21:15
92阅读
Latent Dirichlet Allocation
David.M.Blei
Andrew.Y.Ng
Michael.I.Jordan
JMLR2003
（可google到）
有两种方法设计分类器：
1. discriminative model，就是由样本直接设计判别函数，例如SVM；
2. generative model，就是
转载
2024-05-22 20:45:50
34阅读
对于SEOr每天面对的挑战来自于搜索引擎的排序算法，因为这个算法是对搜索词汇在结果页中排名到底的重要依据，并且搜索引擎通过构建一个可学习的模型来识别页面上的文本内容。LDA算法- 主题建模&分析 LDA算法公式： 为了便于理解这里有个简化的形式： 我们来尝试解释一下，主题词的机会= 该主题所在文档的出现频次X 改主题词使用的频次 ；&n
1.LDA主题模型困惑度 这部分参照：LDA主题模型评估方法–Perplexity，不过后面发现这篇文章Perplexity(困惑度)感觉写的更好一点，两篇都是翻译的维基百科。 perplexity是一种信息理论的测量方法，b的perplexity值定义为基于b的熵的能量（b可以是一个概率分布，或者概率模型），通常用于概率模型的比较 wiki上列举了三种perplex
转载
2023-12-28 11:11:10
143阅读
说明 ：本文为个人随笔记录，目的在于简单了解LDA的原理，为后面详细分析打下基础。 一、LDA的原理LDA的全称是Linear Discriminant Analysis（线性判别分析），是一种supervised learning。LDA的原理：将带上标签的数据（点），通过投影的方法，投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类
转载
2023-06-12 17:46:24
140阅读
前言:本文用到的方法叫做主题建模（topic model)或主题抽取(topic extraction)，在机器学习的分类中，它属于非监督学习(unsupervised machine learning)。它是文本挖掘中常用的主题模型，用来从大量文档中提取出最能表达各个主题的一些关键词。 主题模型定义(维基百科)：在机器学习和自然语言处理等领域是用来在一系列文档中发现抽象主题的一种统计模型。主题
转载
2024-02-22 15:41:03
146阅读
以前LDA是用来分类的，PCA是用来降维的。PCA的降维是为了减少后续计算量，本身对于区分不同的类的能力并没有提升。PCA是无监督的，而LDA是能把不同的类往一个最佳的方向去投影，从而使两类之间的距离最大，达到易于区分的目的，LDA是有监督。下面这篇博文很好的讲述了LDA的算法的原理，很值得一读。
==============================================
转载
2024-06-07 14:05:21
55阅读
文章目录特征工程什么是特征工程数据预处理缺失值的处理删除法填补法Pandas填充Sklearn填充数据归一化什么是归一化归一化原理为什么要用归一化什么算法需要进行归一化sklearn库归一化处理归一化存在的问题数据标准化什么是标准化标准化原理为什么要用标准化sklearn库标准化处理标准化和归一化对比特征抽取字典特征数据提取文本特征数据提取TF-IDF 做比赛或者做项目的时候，绞尽脑汁考虑到了
转载
2024-06-19 09:01:52
56阅读
（一）LDA作用 传统判断两个文档相似性的方法是通过查看两个文档共同出现的单词的多少，如TF-IDF等，这种方法没有考虑到文字背后的语义关联，可能在两个文档共同出现的单词很少甚至没有，但两个文档是相似的。 举个例子，有两个句子分别如下：  
转载
2024-05-04 19:03:09
84阅读
