针对目前发票自动分类方法对发票类型分类准确率不高的问题，提出了一种改进的AlexNet网络对发票类型进行快速高效的自动识别方法，在AlexNet的基础上对其参数进行改进，在大型数据集ImageNet上对网络进行训练，将训练好的AlexNet网络前五层作为特征提取器，对AlexNet提取的特征进行分类识别，最后在实验中采用不同的交叉验证方法，并与改进前的AlexNet网络分类结果进行比较。结果表明，提出方法的准确度达到98％的分类精度，高于传统AlexNet分类器的85%。目前系统已开始试用，并且性能稳定，满足了发票系统的业务需要。

模型微调》文本情感分类文本情感分类文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。后续内容将从以下几个方面展开：文本情感分类数据

由于激光点云数据的无序性、离散性、稀疏性，基于深度学习的三维点云数据的特征提取具有一定难度。针对目前局部信息提取不充分，区域信息的合并有限的问题，提出了一种基于层级边缘卷积的点云分类网络，用于三维视觉中点云模型识别任务。本文采用层级结构的思想，通过层级几何信息模块对特征进行有效提取和归纳。对于每个层级几何信息提取模块，首先对点云模型进行下采样并构建局部区域，对每个局部区域中点与点之间的距离和特征进行建模，获得局部区域的几何信息，最后聚合多个采样点的局部结构特征。实验结果表明，本算法在ModelNet40数据集上的识别准确率为91.5%。与已有的三维点云模型识别分类算法相比，本文算法能够更充分地提取局部信息，进一步提高三维点云模型分类的准确率

文中主要基于视觉词袋（BOVW， Bag-Of-Visual-Words）模型对图像进行分类处理，并对传统视觉词袋模型存在的不足进行了改进，提出了一种基于视觉词典的权重直方图来表达图像，采用优化的k-means聚类算法（k-means+）用于视觉词典的构建，代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验，实验结果表明该改进方案较传统方法提高了分类的正确率。

基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。

基于pytorch的多种基础算法，对cifar100进行分类，代码完整

异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的，针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题，本文提供了一种快速训练算法，采用网络迁移压缩同时进行的方式，提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务，只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明，在基于铁路场景数据库的测试中，该算法可以将原始VGG16模型的参数消耗内存压缩1 020倍，在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34％。

互联网已经成为现代生活中不可或缺的一部分，网络上的信息量也在以数倍的速度快速增长。无论是企事业单位，学校，或者科研院校等等机构中，都积累了非常多的资料，这些资料绝大多数都以文档的形式存在。所以，如何将数以万计且排序混乱的文本信息，按照一定的规则和形式进行统一的管理，以达到方便使用和管理的目的成为了一个不得不去解决的问题。本文就是在SVM，即支持向量机方法的基础上，设计了一个中文文本分类系统。介绍了系统的需求分析，并对系统进行了详细设计，从概念的初始化设计到之后的详细设计，实现了基于SVM的中文文本分类系统的最终目的，达到了设计要求。

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器，并在每个步骤中进行实时调整，以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征，并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类，实验结果表明，本文提出的模型在训练时间和分类准确率上都优于现有算法。

使用Knn算法对KDDcup99进行分类处理，包含部分数据集，并对数据集进行了预处理，包括特征选择，标准化，归一化等；