该论文中详细介绍了基于朴素贝叶斯的垃圾邮件分类过程，以及五折交叉验证的评价指标，并包含完整的代码，python格式，是一个学习朴素贝叶斯方法不错的实例。

光谱特征匹配分类方法 1. 二值编码匹配 一种简单的编码方法： 每个像元各波段对应的光谱值用1比特码长表示，像元光谱变为一个与波段数长度相同的编码序列。 编码完成后，可以采用最小距离算法来进行匹配识别。 特点：该法有助于提高图像光谱数据的分析、处理效率，但编码过程中会失去很多光谱信息，因此只适用于粗略的分类和识别。

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题，提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理，采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矿矸石分割图像，选取煤矸石图像的HOG特征及灰度共生矩阵，分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别；分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络，进行基于卷积神经网络的煤矸石分类识别。研究结果表明，基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%，高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。

matlab 中 近红外光谱分析，建模前建模集预测集分选方法，相比K-S算法运动到了y值

基于博弈论和马尔可夫过程的多目标分类方法

点云作为一种重要的3D数据类型，随着3D采集技术的发展已被广泛用于多个应用场景。深度学习因其处理大型数据集的高效性、提取特征的自主性，成为点云分类研究最新进展的方法主导。本文首先对点云分类方法研究现状进行了介绍，接着重点对基于深度学习的点云分类的主要方法和最新方法进行了分析阐述。根据数据处理方式对点云分类方法进行归类，总结对比了每类方法的主要思想和优缺点，并详细介绍了部分代表性、创新性算法的实现过程。最后，对点云分类面临的挑战及未来研究方向进行了展望。

针对在道路导向箭头的检测和识别中支持向量机(SVM)多分类器的识别效率下降的问题，提出一种利用简单二分类SVM通过对结果的自定义二进制编码实现导向箭头多分类的方法。对导向箭头感兴趣区域(ROI)图像进行Harris角点粗检测，利用改进FAST-9(Features from accelerated segment test-9)算法对伪角点进行筛选，根据最终获取的角点集合中纵坐标最大的两个角点位置分割图像获得待识别区域；再利用几何不变矩特征训练SVM分类器；对分类结果进行二进制编码，从而实现单一种类SVM下多种导向箭头的分类。算法在实拍获取的500帧图像中进行测试，识别率优于96.8%。结果表明：所提算法不需逆透视变换，利用一种SVM二分类器即可实现导向箭头的识别，有效提高了导向箭头识别的准确率和运行效率。

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。

采用新型3D传感器能够便捷地同时获取多场景、多视觉和多目标彩色和深度信息的RGB-D图像，利用其在物体重叠和遮挡下深度信息对颜色和亮度的不变特点，有效提高RGB-D图像分类的精度。对微软Kinect设备的发展及原理做详细介绍；介绍了现有的RGB-D数据集；对现有RGB-D图像特征提取与分类方法进行了归纳、分析和比较；阐述RGB-D图像分类的发展趋势。

基于深度学习的高光谱影像分类方法研究