高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。

主要有监督分类与非监督分类，基于分类判据的实现策略 划分，硬分类和软分类，基于像素的分类和基于对象的分类。单分类器和多分类器集成。并简单介绍了一些 分类方法，包括监督分类法(最小距离分类法、最大似然分类法和平行多面体分类法)、基于光谱相似性度量 的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

使用OWA运算符工具箱的相似度分类器提供了基于矢量的分类方法，该方法使用相似性度量和OWA运算符来区分类别样本所属的类别。 它为每个类创建理想向量，然后使用相似度来衡量样本与每个理想向量的相似程度。 这些相似性向量然后由 OWA 运营商聚合。 有关该方法的更多信息，请参阅原始出版物： P. Luukka, O. Kurama，具有有序加权平均算子的相似性分类器， Expert Systems with Applications, 40, (2013), pp. 995-1002

为提高专利文本自动分类的效率和准确度，提出一种基于双通道特征融合的WPOS-GRU（word2vec and part of speech gated recurrent unit）专利文本自动分类方法。首先获取专利摘要文本，并进行清洗和预处理；然后对专利文本进行词向量表示和词性标注，并将专利文本分别映射为word2vec词向量序列和POS词性序列；最后使用两种特征通道训练WPOS-GRU模型，并对模型效果进行实验分析。通过对比传统专利分类方法和单通道专利分类方法，双通道特征融合的WPOS-GRU专利分类方法提高了分类效果。提出的方法节省了大量的人力成本，提高了专利文本分类的准确度，更能满足大量专利文本分类任务自动化高效率的需要。

chinese_text_classification 通过一个中文文本分类问题系统实现了各种分类方法 数据来源 数据搜狗新闻 类别 有汽车，娱乐，军事，体育，技术五种类别。原始数据比较大，没有上传，分词，去除重组词之后的数据放在processed_data文件夹下。 分类算法 主要实现了以下分类算法： NB（朴素贝叶斯） 支持向量机 快速文本 text_CNN text_RNN text_RCNN text_Bi_LSTM text_Attention_Bi_LSTM HAN（分层注意网络） 埃尔莫 分类准确率 分类准确率都在90％附近，没有进行过多预处理，只为熟悉算法的使用。 依赖库 基于tensorflow2.0实现，可以在win和linux下运行。觉得有用的点个赞，谢谢。

针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题，提出一种基于卷积神经网络的流量分类算法。首先，通过对数据进行归一化处理后映射成灰度图片作为卷积神经网络的输入数据，然后，基于LeNet-5深度卷积神经网络设计适于流量分类应用的卷积层特征面及全连接层的参数，构造能够实现流量的自主特征学习的最优分类模型，从而实现网络流量的分类。所提方法可以在避免复杂显式特征提取的同时达到提高分类精度的效果。通过公开数据集和实际数据集的系列仿真实验测试结果表明，与传统分类方法相比所提算法基于改进的CNN流量分类方法不仅提高了流量分类的精度，而且减少了分类所用的时间。

针对现有很多文本分类算法必须进行训练—测试—再训练的缺点以及通用模型的语法表现度较差等问题，提出一种改进的模糊语法算法（IFGA）。根据一些选取的文本片段建立学习模型；为了适应轻微变化，采用增量式模型，将选取的文本片段转换到底层架构中，形成模糊语法；利用模糊联合操作将单个文本片段语法进行整合，并将所学习的文本片段转换成更加一般的表示形式。与决策表算法、改进的朴素贝叶斯算法等进行了两组对比实验，第一个实验结果表明，IFGA和其他机器学习算法性能并无明显差异；第二个实验结果说明，增量式学习算法比标准机器学习算法更加具有优势，其性能较平稳，数据的尺寸影响更小。提出的算法具有较低的模型重新训练时间。

针对传统高斯分布容易受到数据样本边缘值和离群点噪声的影响，改用t分布替代原有的高斯混合模型，并使用期望最大化（Expectation Maximization，EM）算法对网络流数据样本进行t分布混合模型的建模。为降低EM算法的迭代次数，对t分布混合模型进行了改进，用理论和实验验证了算法的有效性，并对网络多媒体业务流进行了分类研究。实验表明，提出的算法有较高的分类准确率，拟合的模型要优于传统的K-Means算法和传统的高斯混合模型的EM算法。

RFM模型是衡量当前客户价值和客户潜在创利能力的重要工具和手段,在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛应用的;该模型通过R(Recency)表示客户购买时间有多远,F(Frequency)表示客户在固定时间内购买次数,M(Monetary)表示客户在固定时间内购买的金额。