传统的Wi-Fi室内定位方法需要与所有指纹数据库中的指纹数据进行匹配后才能定位，导致人群聚集区域定位效率不高，体验较差。提出一种基于信道状态信息（CSI）、K均值（K-means）聚类算法与支持向量回归（SVR）算法相结合的多指纹库室内定位方法。该方法首先根据CSI的簇分布特点，利用K-means算法对所有定位点内的CSI数据聚类后得到多个簇的CSI数据；然后，基于多个簇分别建立多个指纹库，并将CSI数据分别存入多个指纹库，进而在每个指纹库中分别训练SVR模型用于Wi-Fi定位。相较于传统的支持向量机（SVM）定位方法，所提方法在离线阶段需要的训练样本更少，定位效率更高；在线阶段，该方法既降低了匹配的复杂度，也提高了定位的精度。由于使用了多指纹库，Wi-Fi定位系统可以根据人流量实时调整资源分配策略，提高服务器运行效率和定位服务体验。

针对传统音频分类模型提取音频特征的过程繁琐，以及现有神经网络模型存在过拟合、分类精度不高、梯度消失等问题，提出一种基于改进Inception网络的语音分类模型。首先，在模型中加入ResNet中的残差跳连思想以改进传统的InceptionV2模型，使网络模型在加深的同时避免梯度消失；其次，优化Inception模块中的卷积核大小，并利用不同尺寸卷积对原始语音的Log-Mel谱图进行深度特征提取，使模型通过自主学习的方式选择合适的卷积处理数据；同时，在深度与宽度两个维度改进模型以提高分类精度；最后，利用训练好的网络模型对语音数据进行分类预测，并通过Softmax函数得到分类结果。在清华大学汉语语音数据集THCHS-30与环境声音数据集UrbanSound8K数据集上的实验结果表明，改进的Inception网络模型在上述两个数据集上分类准确率分别为92.76%与93.34%。相较于VGG16、InceptionV2、GoogLeNet等模型，所提模型的分类准确率取得了最优，最多提高了27.30个百分点。所提模型具有更强的特征融合能力和更准确的分类结果，能够解决过拟合、梯度消失等问题。

提出一种合并分枝的模糊决策树文本分类方法对相似文本类进行分类，并可抽取出分类精度较高的模糊分类规则。首先研究改进了的χ²统计量，并根据改进的χ²统计量对文本的特征词条进行聚合，有效地降低了文本向量空间的维数。然后使用一种合并分枝的模糊决策树进行分类，大大减少了抽取的规则数量。从而既保证了决策树分类的精度和速度，又可抽取出可理解的模糊分类规则。