基于不同分布样本的两样本U—统计量投影残差的指数收敛…

本对基于不同分布样本的两样本Ｕ－统计量，研究了在核函数有界或满足一定条件的非有界时其投影残差的指数收敛速度，得到了相当于独立和的类似结果。     

南黄海辐射沙洲海底地形可视化与定量分析

南黄海辐射沙洲海底地形复杂多变,精细的数字地形模型、不同地形单元的立体可视模型及其定量统计值是进行海洋科学研究、海洋功能区与海域开发利用的基础.利用在辐射沙洲北翼进行的单波束测深获取的水深资料,根据残差分析,选择研究区现有水深数据最佳插值法——克里金法,生成海底地形的数字高程模型.运用水深分层设色法立体可视地表征了辐射沙洲的四种地形单元:浅滩、沙脊、潮流槽和宽谷.根据地形倾角可以定量地分析脊、槽等地形单元的坡形变化,整个沙洲以水平-微倾斜地形(倾角<5°)为主,占总面积的60%,分布在宽谷、沙脊顶部和潮流槽中部等.地形剖面曲率分层设色可以更细致地刻画脊、槽相间地形单元的微地貌,并可定量分析不同地形单元的面积及所占比例.地形平面曲率和切线曲率可以指示不同地形单元的海洋动力特征,即:负值区水深较小、流场较强;正值区水深较大、流场较弱.     

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．     

基于轻量级Fast-Unet网络的航拍图像电力线快速精确分割

为了满足光学航拍图像中电力线检测的实时性和高精度,提出了一种轻量级Fast-Unet网络电力线检测方法.它以Unet语义分割网络为基础,添加金字塔池化结构增强特征上下文信息的融合.设计深度可分离残差卷积运算,增加了网络深度且进一步减少了网络参数量.使用多损失函数训练Fast-Unet网络,缓解图像中前景与背景类别分布极...     

基于级联可分离空洞残差U-Net的肝脏肿瘤分割

计算机辅助肝脏肿瘤分割可减少医生工作量,提高手术成功率,因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果,该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net（cascaded separable and dilated residualU-Net,CSDResU-Net）的肝脏肿瘤分割方法。CSDResU-Net采用了级联操作,解决了因肿瘤在整幅图像中占比小而造成的肿瘤分割数据不平衡问题;通过在分割网络中整合残差单元、深度可分离卷积和空洞卷积,能够增加卷积核感受野并快速提取更具判别性的肝脏肿瘤图像特征,从而提高肝脏肿瘤分割精度。在国际医学图像计算和计算机辅助干预协会肝脏肿瘤分割数据库上的实验结果表明,CSDResU-Net比基线方法的Dice系数指标提升了1.3%,同时发现空洞率对分割网络的性能表现影响较大。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

一种新的多因子约束下的NWP反演ZTD残差改正模型

对流层延迟是GNSS定位的主要误差源之一,利用NWP模型的气象数据积分反演ZTD是当前研究热点.然而,采用两大气象预报中心(ECMWF和NCEP)的再分析资料反演ZTD的残差一般在±60 mm之间浮动,预报资料反演的ZTD的精度更差,都不能直接用于精密定位.一般是先将此反演的ZTD作为初值,设定先验方差,将残差作为未知参数求解.NWP反演的ZTD的精度,将直接影响对流层和模糊度参数在滤波过程中收敛速度.前人的研究表明,NWP反演ZTD的残差大小与测站所在纬度相关,利用纬度与残差的相关函数可提高NWP反演ZTD的精度,但效果并不明显.针对以上问题,比较ECMWF和NCEP再分析资料反演ZTD的精度,然后分析精度较高的ECMWF资料反演的ZTD的残差随温度、湿度、纬度、季节等因子变化的规律,并结合基于最小绝对残差法的多项式拟合方法拟合残差,提出一种新的多因子约束下的NWP反演ZTD的残差改正模型,从而提高NWP反演ZTD的精度.为验证模型的性能,以133个IGS站高精度ZTD为参考,拟合2015年ECMWF反演ZTD的残差,构建残差改正模型,并利用此模型改正2016年ECMWF反演的ZTD.实验结果表明：在纬度高于15°的地区,NWP反演的ZTD的平均残差和均方根误差比使用模型前分别减小了86.9%和36.3%.另外,对于较低纬度地区,此残差改正模型的效果不明显.     

奇异线性系统Drazin逆解的DQMR算法

近年来,关于奇异线性系统Drazin逆解的算法引起了众多学者的广泛关注,并获得了依赖于Krylov子空间的大量研究成果.然而,Krylov子空间法十分繁琐且解决奇异线性不相容系统十分困难.基于此,利用投影法给出了相容或非相容奇异线性系统Ax＝b的Drazin逆解的DQMR算法,其中A∈?n×n是一个具有任意指标的奇异Hermitian矩阵. DQMR算法“类似”于非奇异系统的QMR算法.     

卷积神经网络发展

卷积神经网络作为深度学习的重要代表算法之一,被应用到人脸识别、行为识别、字符识别和图像处理等多个领域,推动着人工智能的快速发展.本文在分析整理大量文献后,总结了卷积神经网络的发展阶段,介绍了卷积神经网络的基本结构和关键技术,选取LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等几种具有代表性的网络进行分析对比,并指出各个网络的应用场景和优缺点,最后提出卷积神经网络未来的研究发展方向.