1、首先，企業應該了解自己的產品。。只有了解了產品自身的特點才能明確產品能夠滿足的市場需求，才能進一步描述出目標客戶群體的特點並實行網路營銷。
2、其次，需要了解目標市場的消費者特徵。可以通過用戶的某些特徵對網路用戶進行分類，進而實現把握目標市場消費群體的主要特徵。
3、再次，網路營銷的戰略推廣。網路營銷需要從戰略的角度出發，有針對性的選擇、綜合使用幾種傳播方式，以達到營銷推廣的目的。這一步是網路營銷的核心，是傳統營銷與網路有機結合的體現。
4、最後，網路營銷效果評估。在實現網路營銷的同時，也能夠為企業提供及其豐富的市場數據，好的網路營銷活動是企業一舉多得的戰略舉措。
2. 「數據融合」總結1
融合標准 ：以融合數據與數據真實值的偏差作為數據融合方法的穩定性判定依據。
所提方法 ：加權最小二乘法在數據融合
常用的融合方法有：
加權最小二乘法融合
對於數據線性模型基於加權最小二乘法融合演算法為：
所提方法 ：基於多維特徵融合（幾何特徵、顏色特徵和紋理特徵）與 Adaboost-SVM 強分類器的車輛目標識別演算法。
僅提取了大量特徵，文中直接說對構建多維特徵向量。
首先用光流法提取步態周期，獲得一個周期的步態能量圖（GEI）；然後分三層提取 GEI的 LBP特徵，得到三層的 LBP圖像；依次提取每層LBP圖像的HOG特徵，最後將每層提取的LBP和HOG特徵融合（串聯拼接），得到每層的新特徵最後將三個新特徵依次融合成可以用於識別的最終特徵。
提出一個FLANN結構進行特徵融合，functional link artificial neural networks。FLANN是一個單層非線性網路，輸入X_k是n維向量，輸出y_k是一個標量，訓練數據集為{X_k, y_k}，偏置集合T用來增強網路的非線性能力，這些函數值的線性組合可以用它的矩陣形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要區別是FLANN只有輸入和輸出層，中間的隱藏層完全被非線性映射代替，事實上，MLP中隱藏層的任務由Functional expansions來執行。
三種Functional expansions :
提出了三種融合策略：早期融合、中期融合和晚期融合。早期融合也就是特徵級融合，決策級融合也就是晚期融合。
特徵級融合 ：
直接將不同方法提取的特徵進行串聯。
多核學習（Multiple kernel learning, MKL) :
參考自文獻。MKL由巴赫創立。核學習演算法在多類問題的分類任務中表現出良好的性能。為了將內核學習演算法應用於特徵組合，每個單獨的內核與每個特徵鏈接在一起。因此，特徵組合問題就變成了核組合問題。在支持向量機中，採用單核函數，而在MKL中，利用核的求和或積定義了不同核的線性組合。
提出一種新穎的系統，它利用訓練好的卷積神經網路（CNN）的多階段特徵，並精確地將這些特徵與一系列手工特徵相結合。手工提取的特徵包括三個子集：
所提出的系統採用一種新穎的決策級特徵融合方法對ECG進行分類，分別利用了三種融合方法：
在多數表決的基礎上，將三種不同分類器的個體決策融合在一起，並對輸入的心電信號分類做出統一的決策。
通過對圖像進行對偶樹復小波變換（DTCWT）和快速傅里葉變換（FFT）提取特徵，將二者通過 算數加法（arithmetic addition） 融合為一個特徵集合。
DTCWAT特徵 ：對圖像進行5層小波分解得到384個小波系數
FFT特徵 ：採用傅里葉變換生成圖像的絕對系數，然後排序後取前384個作為fft特徵
算數加法特徵融合 ：
本文提出了一種快速的特徵融合方法將深度學習方法和傳統特徵方法相結合。
淺層網路結構 ：
每個特性的重要性應根據應用程序和需求的不同而有所不同。因此，為了實現動態權值分配，我們提出了多特徵融合模型。
使用Curvelet變換進行特徵提取，因為它有效地從包含大量C2曲線的圖像中提取特徵。Curvelet Transform具有很強的方向性,能更好地逼近和稀疏表達平滑區域和邊緣部分。
我們應用了基於包裝的離散Curvelet變換，使用了一個實現快速離散Curvelet變換的工具箱Curvelab-2.1.2。在實驗中使用了默認的方向和5層離散Curvelet分解。
使用標准差進行降維
串聯融合方法
在本文中，提出了一種深度多特徵融合方法（Deep multiple feature fusion，DMFF）對高光譜圖像進行分類。
基於gcForest的思想，提出了DMFF方法。
gcForest
gcForest模型主要包含兩個部分：
DMFF
DMFF去掉了Multigrained Scanning，缺失了多樣性輸入，因為採用多特徵來進行彌補。隨即森林都是同一種類型。
3. 物聯網中的異構網路融合包括哪些
異構網路的融合和自治是物聯網的最顯著特徵之一。由於應用需求和網路技術的多樣性，在物聯網的架構下將是多種網路同時共存的局面，包括用於感知信息在內的個域網、有線和無線形式的區域網、城域網和廣域網等。這些性能特徵各異的網路是相互補充、相互促進的，如何實現它們之間的無縫融合和自治管理，更加孝兄襪有效靈活地滿足用戶需求是物聯網面臨的重要技術挑戰之一。
異構網路的融合和自治從技術上講主要包括海量地址和數據的管理，接入機制的選擇和異構資源的自治管理等方面。首先，在物聯網中，由於物體數目巨大帶來的海量地址空間的分配和管理、物體地址和標示之間的映射、海量數據的傳輸和存儲等成為異構網路首先需要解決的問題。其次，由於各種網路性能特徵各異，採用傳統的單目標決策理論很難找到真正最優的接入選擇方案。因此需要引入多目標決策理論，在有限資源和各用戶要求的多個目標之間找到平衡點，達到多目標最優化目的。最後，由於物聯網資源的異構性、網路的動態性等特點，資源的自治管理是研究的重點內容。在以自組織為主要形式的信息感測層中,關鍵是自感知與自配置的核心協議，包括時間同步協議、分布式定位協議、拓撲控制協議、自組織路由協議和能量管理協議等。在接入/網路層中，為支持用戶和節點的移動性，除了需要在同一網路內不同小區間的水平切換技術之外，還需要從一種網路到另一種網路的垂直切換技術。由於異構網路在數據速率、頻譜、QoS等方面的差異性，垂直切換所需要的精確位置測定和快速切換機制將更加復雜。同時，在異構環境中，基於上下文感知技術，進行分布式頻譜(帶寬)的自感知動態分配也是資源管理的趨勢之一。多無線電協作(MRC)是實現上述資源管理的一項關鍵技術，它是指在單一節點配備多個獨立的無線電系統，各無線電系統可以使用不同的接入技術及不同信道。由於一個節點可以同時與不同的接入系統建立連接，也可以同一時刻與一個接入系統保持多個連接，因而有助於實現快速垂直切換和動態資源分配。
(1)數據融合和信息處理
物聯網中的節點具有數目多、體積小、能量有限、數據海量等特點，因此從提高信息准確度和降低能耗角度出發，需要有效的數據融合和信息處理技術。這些技術滲透在物聯網的各個層次中。在信息感知層，可以通過移動中繼、節點分組輪流工作、選取代表性上報節點、壓縮感知等機制達到節能目的，同時又保證了信息的完整性和准確性；在接入/網路層，主要是通過匯聚處理和各種路由控制協議來進巧激行數據重組和融合，減少數據傳輸量；在應用服務層，則主要是利用分布式資料庫技術，對收到的數據進行進一步的篩選，達到數據融合的目的；同時，根據用戶和環境數據信息隨時空變化的動態特性，對其進行基於多層次融合的上下文感知處理。
(2)服務搜索和發現
和傳統的電信網、互聯網服務模式相比，物聯網服務的不同之處在於塵基強調服務的主動性提供，因此需要更高級、更復雜的服務搜索和發現技術。目前的Web服務搜索和發現技術主要有直接搜索、集中架構式搜索和分布架構式搜索三大類。直接搜索是指使用者向服務提供者直接索要服務描述的副本；集中式架構搜索是指服務提供者在一個中心目錄中注冊服務、發布服務公告及引用，供使用者檢索；分布架構式搜索是指在Web站點上存有對服務提供者提供點處的服務描述的引用，使用者通過指定檢查Web站點來獲得可用的Web服務。物聯網服務的搜索和發現需要在以上技術基礎上增加主動性環節，即根據用戶需求，自動搜索、發現和組裝合適的服務，並在動態變化的異構網路環境中實現服務的可靠傳送和主動提供。
(3)安全可靠性保障
物聯網中的安全可靠性保障主要體現在網路安全和信息安全兩方面。網路安全包括硬體平台、操作系統、應用軟體在內的系統安全和系統連續可靠正常運行、網路服務不中斷的運行安全。信息安全則是指對信息的精確性、真實性、機密性、完整性、可用性和可控性的保護。和傳統的互聯網相比，由於節點的微型化和能量能力的受限化，在物聯網中需要著重考慮的是演算法計算強度和安全強度之間的權衡問題，即如何通過更簡單的演算法和更低能耗實現盡量強大的安全性。