为提高大规模恶意代码分类任务的分类准确率，提出基于词向量的恶意代码分类模型，引入NLP中表达语义含义的词向量概念，提取恶意代码函数语义特征，使用textCNN神经网络对其进行分类。实验结果表明，该模型在微软公司提供的BIG2015恶意代码分类比赛的训练集上能实现98.78%的预测准确率，相较几种传统方法准确率分别提高0.91%~3.16%。

knn实现单分类、多分类；酒的分类以及自己实现knn模型和调用sklearn库

针对歌词文本中特征词位置对音乐情感分类的影响问题，文中使用层次分析法来进行特征词在不同位置的权重分析，并对歌词所提取的特征向量进行修正。同时，与音频信号所提取到的特征向量进行多模态数据融合，使用深度置信网络已有监督训练的方式，分析混合融合后的特征向量与音乐情感之间的联系，构建出基于特征词位置因素的音乐情感智能分类算法。测试与实验结果表明，基于特征词位置因素的音乐情感智能分类算法在5种音乐情感样本的测试下，最低准确率为80.1%，平均准确率为83.5%，明显优于未采用位置因素修正的算法，具有良好的有效性与可行性。

基于实现多光谱图像的多标签场景分类为目的，采用卷积神经网络的方法，通过计算数据集中所有样本标签的共现矩阵，利用共现矩阵为每个标签分配不同的权重，提出了一种新的计算损失函数的方法。所设计的卷积神经网络能够充分利用除了红绿蓝三通道之外的光谱信息，同时也能够利用已有的预训练的卷积神经网络权重进行参数的初始化，使得网络能够快速收敛。所提出的算法在Planet Amazon数据集上取得了最高的F值，从而得出了该算法具有高准确率和高可行性的结论。

输入特征向量训练随机森林分类模型，并计算分类结果的Kappa系数，混淆矩阵，准确性，特异性和敏感性。

论述了电力线通信技术概况、技术分类、功能定位、主要用途、网络体系结构特征、发展动态、标准化进展、EMC问题等，侧重于宏观分析，不涉及技术细节。

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

针对医学图像具有较大的相似性和交叉性，易造成归属类别混乱的问题，提出了一种基于粒子群算法的医学图像分类方法。该方法使用形态学滤波和阈值法进行预处理；使用SIFT特征描述子来提取图像的局部特征，并使用聚类的方法得到SIFT特征的“视觉词汇”；使用粒子群算法选出一些列多样性和精度更高的SVM、KNN和AdaBoost分类器对特征进行分类。对15种不同类型的医学图像进行分类的结果表明，所提出的方法取得了94.72%的分类精度，且相比于单个分类器的方法具有较大的性能提升。

为了保护网页不被嵌入恶意代码，提出了一种基于网页文件代码分类检测技术的恶意代码检测系统，并完成了软件设计与开发。该系统采用J2EE技术开发，能够对网页文件进行代码分类扫描，并根据不同的扫描结果进行相应的处理。通过实际应用表明，采用代码分类检测技术能够高检出、低误报的识别出多种恶意代码，达到了设计要求。

这是一张表格，介绍各学科的分类，以及相关代码。希望对大家有帮助。