残差和为零的非线性回归在材积建模中的应用

为了验证残差和为零的非线性回归分析法在林木材积建模中的应用效果,利用10个树种的建模(编表)数据、伯克霍特材积模型和山本和藏材积模型以及残差和为零的非线性回归分析法,求解10个树种的模型闭合差,并用10个树种的验表数据对所建模型进行验证,同时与用非线性最小二乘回归法进行数据处理的结果进行比较。结果表明,无论是建模结果还是验表结果,残差和为零的回归分析法的精度总体高于非线性最小二乘回归的精度。     

基于残差神经网络的转子焊点图像检测方法

针对微型电机转子焊点检测费时费力且准确率低的问题,提出一种基于残差神经网络的转子焊点检测方法。首先运用网络预训练的方法加速网络训练,提高模型准确率;然后在网络中引入批量归一化,避免出现梯度消失;最后对图像进行数据增强,减少过拟合现象。实验表明,与K最近邻(KNN)等经典算法相比,该算法在测试集上的准确率达到91.5%,与工人检测的速度相比提高了3.5倍,具有很好的识别效果。     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

基于时序偏移双残差网络的窃电行为检测

针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-ResNet模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

基于残差的非线性自回归模型的拟合优度检验

时间序列模型中,考虑误差分布的拟合优度检验是很重要的．Lee和Na（2002）考虑了在线性自回归模型下,基于残差的Bickel—Rosenblatt检验问题．他们指出了在原假设条件下,检验统计量的极限分布与利用独立同分布观测值的经典Bickel—Rosenblatt检验相同．本文主要讨论无限阶的非线性自回归模型的基于残差的Bickel—Rosenblatt检验统计量的渐近性质．我们证明了在自回归函数未知的情况下,当满足一定条件时,检验统计量的渐近性质与基于真实误差的统计量的性质相同．     

连通2-Kn-残差图的一个注记

【目的】对Erdös等人关于连通 m-Kn-残差图的最小阶和极图的两个猜想进行修正。【方法】利用容斥原理以及集合的运算性质等方法。【结果】证明了最小阶的连通2-K6-残差图仅存在两个不同构的极小图,从而解决了连通2-K6-残差图的最小阶和极小图问题。【结论】最后提出了新的猜想。
     

双策略高效视频编码帧间模式快速决策算法

为了减少编码复杂度,提出针对编码单元(CU)级和预测单元(PU)级的帧间快速算法.首先,利用当前编码块的3个空间邻近已编码块的深度信息,提前跳过某些CU的编码模式的检测.其次,利用当前编码块执行完Inter_2N×2N模式后,得出的残差块的纹理信息跳过某些PU的编码模式检测.实验结果表明:文中算法可以节省45.03%的编码时间;BD-BR(bjøntegaard delta bit rate)造成1.49%的损失;算法能够很大程度节省编码时间;引入的率失真性能损失忽略不计.     

FrFT-Bark域特征提取与CNN残差收缩网络心音分类算法

为充分挖掘心音信号的生理、病理信息,提高心音自动分类的准确率,提出一种不依赖于分割和去噪的心音自动分类新算法.首先提取心音信号Bark域分数傅里叶变换的时频特征,然后将深度残差收缩网络引入卷积神经网络中构建新的分类模型,该模型能够自动去除与当前任务无关的特征信息,提高模型预测的准确率及稳定性.研究所用心音样本5 000例,其中1 000例用于测试.实验结果表明,提出算法的准确率、灵敏度、特异度分别为0.925、0.902、0.948,F1值为0.923.该方法整体性能较以往方法有明显提升,具有较强的鲁棒性和泛化能力,有望应用于先心病的临床筛查.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.