1、首先，企业应该了解自己的产品。。只有了解了产品自身的特点才能明确产品能够满足的市场需求，才能进一步描述出目标客户群体的特点并实行网络营销。
2、其次，需要了解目标市场的消费者特征。可以通过用户的某些特征对网络用户进行分类，进而实现把握目标市场消费群体的主要特征。
3、再次，网络营销的战略推广。网络营销需要从战略的角度出发，有针对性的选择、综合使用几种传播方式，以达到营销推广的目的。这一步是网络营销的核心，是传统营销与网络有机结合的体现。
4、最后，网络营销效果评估。在实现网络营销的同时，也能够为企业提供及其丰富的市场数据，好的网络营销活动是企业一举多得的战略举措。
2. “数据融合”总结1
融合标准 ：以融合数据与数据真实值的偏差作为数据融合方法的稳定性判定依据。
所提方法 ：加权最小二乘法在数据融合
常用的融合方法有：
加权最小二乘法融合
对于数据线性模型基于加权最小二乘法融合算法为：
所提方法 ：基于多维特征融合（几何特征、颜色特征和纹理特征）与 Adaboost-SVM 强分类器的车辆目标识别算法。
仅提取了大量特征，文中直接说对构建多维特征向量。
首先用光流法提取步态周期，获得一个周期的步态能量图（GEI）；然后分三层提取 GEI的 LBP特征，得到三层的 LBP图像；依次提取每层LBP图像的HOG特征，最后将每层提取的LBP和HOG特征融合（串联拼接），得到每层的新特征最后将三个新特征依次融合成可以用于识别的最终特征。
提出一个FLANN结构进行特征融合，functional link artificial neural networks。FLANN是一个单层非线性网络，输入X_k是n维向量，输出y_k是一个标量，训练数据集为{X_k, y_k}，偏置集合T用来增强网络的非线性能力，这些函数值的线性组合可以用它的矩阵形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要区别是FLANN只有输入和输出层，中间的隐藏层完全被非线性映射代替，事实上，MLP中隐藏层的任务由Functional expansions来执行。
三种Functional expansions :
提出了三种融合策略：早期融合、中期融合和晚期融合。早期融合也就是特征级融合，决策级融合也就是晚期融合。
特征级融合 ：
直接将不同方法提取的特征进行串联。
多核学习（Multiple kernel learning, MKL) :
参考自文献。MKL由巴赫创立。核学习算法在多类问题的分类任务中表现出良好的性能。为了将内核学习算法应用于特征组合，每个单独的内核与每个特征链接在一起。因此，特征组合问题就变成了核组合问题。在支持向量机中，采用单核函数，而在MKL中，利用核的求和或积定义了不同核的线性组合。
提出一种新颖的系统，它利用训练好的卷积神经网络（CNN）的多阶段特征，并精确地将这些特征与一系列手工特征相结合。手工提取的特征包括三个子集：
所提出的系统采用一种新颖的决策级特征融合方法对ECG进行分类，分别利用了三种融合方法：
在多数表决的基础上，将三种不同分类器的个体决策融合在一起，并对输入的心电信号分类做出统一的决策。
通过对图像进行对偶树复小波变换（DTCWT）和快速傅里叶变换（FFT）提取特征，将二者通过 算数加法（arithmetic addition） 融合为一个特征集合。
DTCWAT特征 ：对图像进行5层小波分解得到384个小波系数
FFT特征 ：采用傅里叶变换生成图像的绝对系数，然后排序后取前384个作为fft特征
算数加法特征融合 ：
本文提出了一种快速的特征融合方法将深度学习方法和传统特征方法相结合。
浅层网络结构 ：
每个特性的重要性应根据应用程序和需求的不同而有所不同。因此，为了实现动态权值分配，我们提出了多特征融合模型。
使用Curvelet变换进行特征提取，因为它有效地从包含大量C2曲线的图像中提取特征。Curvelet Transform具有很强的方向性,能更好地逼近和稀疏表达平滑区域和边缘部分。
我们应用了基于包装的离散Curvelet变换，使用了一个实现快速离散Curvelet变换的工具箱Curvelab-2.1.2。在实验中使用了默认的方向和5层离散Curvelet分解。
使用标准差进行降维
串联融合方法
在本文中，提出了一种深度多特征融合方法（Deep multiple feature fusion，DMFF）对高光谱图像进行分类。
基于gcForest的思想，提出了DMFF方法。
gcForest
gcForest模型主要包含两个部分：
DMFF
DMFF去掉了Multigrained Scanning，缺失了多样性输入，因为采用多特征来进行弥补。随即森林都是同一种类型。
3. 物联网中的异构网络融合包括哪些
异构网络的融合和自治是物联网的最显着特征之一。由于应用需求和网络技术的多样性，在物联网的架构下将是多种网络同时共存的局面，包括用于感知信息在内的个域网、有线和无线形式的局域网、城域网和广域网等。这些性能特征各异的网络是相互补充、相互促进的，如何实现它们之间的无缝融合和自治管理，更加孝兄袜有效灵活地满足用户需求是物联网面临的重要技术挑战之一。
异构网络的融合和自治从技术上讲主要包括海量地址和数据的管理，接入机制的选择和异构资源的自治管理等方面。首先，在物联网中，由于物体数目巨大带来的海量地址空间的分配和管理、物体地址和标示之间的映射、海量数据的传输和存储等成为异构网络首先需要解决的问题。其次，由于各种网络性能特征各异，采用传统的单目标决策理论很难找到真正最优的接入选择方案。因此需要引入多目标决策理论，在有限资源和各用户要求的多个目标之间找到平衡点，达到多目标最优化目的。最后，由于物联网资源的异构性、网络的动态性等特点，资源的自治管理是研究的重点内容。在以自组织为主要形式的信息传感层中,关键是自感知与自配置的核心协议，包括时间同步协议、分布式定位协议、拓扑控制协议、自组织路由协议和能量管理协议等。在接入/网络层中，为支持用户和节点的移动性，除了需要在同一网络内不同小区间的水平切换技术之外，还需要从一种网络到另一种网络的垂直切换技术。由于异构网络在数据速率、频谱、QoS等方面的差异性，垂直切换所需要的精确位置测定和快速切换机制将更加复杂。同时，在异构环境中，基于上下文感知技术，进行分布式频谱(带宽)的自感知动态分配也是资源管理的趋势之一。多无线电协作(MRC)是实现上述资源管理的一项关键技术，它是指在单一节点配备多个独立的无线电系统，各无线电系统可以使用不同的接入技术及不同信道。由于一个节点可以同时与不同的接入系统建立连接，也可以同一时刻与一个接入系统保持多个连接，因而有助于实现快速垂直切换和动态资源分配。
(1)数据融合和信息处理
物联网中的节点具有数目多、体积小、能量有限、数据海量等特点，因此从提高信息准确度和降低能耗角度出发，需要有效的数据融合和信息处理技术。这些技术渗透在物联网的各个层次中。在信息感知层，可以通过移动中继、节点分组轮流工作、选取代表性上报节点、压缩感知等机制达到节能目的，同时又保证了信息的完整性和准确性；在接入/网络层，主要是通过汇聚处理和各种路由控制协议来进巧激行数据重组和融合，减少数据传输量；在应用服务层，则主要是利用分布式数据库技术，对收到的数据进行进一步的筛选，达到数据融合的目的；同时，根据用户和环境数据信息随时空变化的动态特性，对其进行基于多层次融合的上下文感知处理。
(2)服务搜索和发现
和传统的电信网、互联网服务模式相比，物联网服务的不同之处在于尘基强调服务的主动性提供，因此需要更高级、更复杂的服务搜索和发现技术。目前的Web服务搜索和发现技术主要有直接搜索、集中架构式搜索和分布架构式搜索三大类。直接搜索是指使用者向服务提供者直接索要服务描述的副本；集中式架构搜索是指服务提供者在一个中心目录中注册服务、发布服务公告及引用，供使用者检索；分布架构式搜索是指在Web站点上存有对服务提供者提供点处的服务描述的引用，使用者通过指定检查Web站点来获得可用的Web服务。物联网服务的搜索和发现需要在以上技术基础上增加主动性环节，即根据用户需求，自动搜索、发现和组装合适的服务，并在动态变化的异构网络环境中实现服务的可靠传送和主动提供。
(3)安全可靠性保障
物联网中的安全可靠性保障主要体现在网络安全和信息安全两方面。网络安全包括硬件平台、操作系统、应用软件在内的系统安全和系统连续可靠正常运行、网络服务不中断的运行安全。信息安全则是指对信息的精确性、真实性、机密性、完整性、可用性和可控性的保护。和传统的互联网相比，由于节点的微型化和能量能力的受限化，在物联网中需要着重考虑的是算法计算强度和安全强度之间的权衡问题，即如何通过更简单的算法和更低能耗实现尽量强大的安全性。