示意圖(b)2 殘差模塊殘差模快是ResNet的重要技能,也是防止深度神經(jīng)網(wǎng)絡(luò)過擬合和梯度消失提升網(wǎng)絡(luò)性能的重要方法,因此,自殘差模塊提出之后便得到了廣泛的應(yīng)用。常見的殘差模塊分為跨兩層連接的殘差模塊和跨三層連接的殘差模塊。為提升路網(wǎng)檢測(cè)的性能,防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象,根據(jù)網(wǎng)絡(luò)深度,該文采用的是跨兩層連接的殘差模塊。3 深度可分離殘差網(wǎng)絡(luò)將深度可分離卷積運(yùn)算與殘差模塊結(jié)合可構(gòu)建深度可分離殘差網(wǎng)絡(luò),深度可分離殘差網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖2(c)所示,深度可分離殘

。在隱寫分析中，殘差有助于抑制圖像內(nèi)容、放大隱寫信號(hào)。隱寫分析特征往往是在殘差圖像上構(gòu)建的。因此，殘差圖像的多樣性對(duì)隱寫檢測(cè)結(jié)果至關(guān)重要。但是，DCTR、PHARM、GFR 這些當(dāng)前主流的JPEG 圖像隱寫分析方法中殘差圖像生成方式較單一，都只使用線性濾波器得到殘差圖像，導(dǎo)致殘差圖像多樣性不足，影響隱寫檢測(cè)的性能。線性和非線性濾波的結(jié)合在空域隱寫分析的殘差圖像生成中起到十分重要的作用。例如，SRM（spatial rich model）[15]、TLBP（

態(tài)分解（VMD）殘差修正的風(fēng)電功率超短期預(yù)測(cè)模型.采用變分模態(tài)分解將原始風(fēng)電功率序列分解，得到一系列不同中心頻率的子序列，再利用序列之差提取殘差序列，殘差序列繼承原始序列噪聲分量與分解被屏蔽的真實(shí)分量，呈現(xiàn)波動(dòng)性大，非線性復(fù)雜和不平穩(wěn)的特點(diǎn)，采用t-SSA- LSTM模型并結(jié)合天氣特征進(jìn)行預(yù)測(cè).利用頻率游程判別法把子序列劃分為低頻分量類和高頻分量類：低頻分量呈現(xiàn)線性平穩(wěn)的特點(diǎn)，采用自適應(yīng)t分布麻雀搜索算法（t-SSA）優(yōu)化自回歸滑動(dòng)平均模型（ARIMA）預(yù)

出了一種基于改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的模型，通過改進(jìn)殘差塊結(jié)構(gòu)與引入swish激活函數(shù)，使得該模型能夠在滿足深層卷積的同時(shí)提升模型精度與魯棒性，并加快收斂速度。2 改進(jìn)殘差網(wǎng)絡(luò)模型2.1 殘差網(wǎng)絡(luò)為了解決深層神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題，2015年由He K,Zhang X等人提出了一種全新的深度神經(jīng)網(wǎng)絡(luò)框架：殘差網(wǎng)絡(luò)[11-13](Residual Neural Network，Resnet)。殘差網(wǎng)絡(luò)通過在淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)之間添加映射(Identity Mappi

要意義。1 基于殘差協(xié)方差的多個(gè)不良量測(cè)辨識(shí)配網(wǎng)中不存在輸網(wǎng)電阻遠(yuǎn)小于電抗的特性，為此引入復(fù)數(shù)歸一化理論，并利用殘差靈敏度理論進(jìn)行量測(cè)的區(qū)塊劃分，采用正則化殘差理論實(shí)現(xiàn)多個(gè)區(qū)塊的不良量測(cè)辨識(shí)。1.1 單位復(fù)數(shù)歸一化傳統(tǒng)上，電力系統(tǒng)的參數(shù)和變量是按單位（pu）基歸一化的，在單位（pu）基上選擇電壓和功率基的實(shí)值。具體理論如下[3]：式中，αavg為平均R/X比，弧度；γavg為最大和最小R/X比的平均值，弧度；ε為功率因數(shù)指數(shù)。具體計(jì)算公式如下：式中，l代表

胡典順摘? 要：殘差是觀測(cè)值與預(yù)測(cè)值之差，它看似簡單卻蘊(yùn)含了回歸模型的許多重要信息. 通過對(duì)殘差知識(shí)的深入梳理，介紹殘差圖，再用四個(gè)虛擬數(shù)據(jù)集探討殘差分析的必要性，最后借助實(shí)例展現(xiàn)模型建構(gòu)與診斷過程，使師生更深入地了解殘差和殘差分析在回歸模型中的重要作用，以便在實(shí)際生產(chǎn)、生活中利用數(shù)據(jù)構(gòu)建并選取最佳模型.關(guān)鍵詞：殘差；殘差圖；殘差分析；回歸模型診斷一、引言在生產(chǎn)、生活中，人們經(jīng)常會(huì)遇到各種各樣的誤差. 例如，在超市里購買的食鹽其質(zhì)量和它的標(biāo)準(zhǔn)質(zhì)量有一定的誤

an[1]提出的殘差控制圖方法,國內(nèi)學(xué)者孫靜[2]、張志雷[3]、范翔[4]和肖艷[5]等也對(duì)這一問題進(jìn)行了研究,他們將呈現(xiàn)自相關(guān)過程的監(jiān)控問題轉(zhuǎn)化為相應(yīng)的殘差的監(jiān)控,從而用自回歸移動(dòng)平均(Auto-Regressive Moving Average,ARMA)模型來擬合自相關(guān)過程,得到相應(yīng)的殘差序列?對(duì)于具有異方差性的數(shù)據(jù),目前最流行的是Severin 和Schmid[6]、夏遠(yuǎn)強(qiáng)[7]、Sermad 和Roland[8]等學(xué)者提出的用波動(dòng)的上、下控制限

，可以推出對(duì)一組殘差及其衍生函數(shù)的值設(shè)置不同的閾值，可以對(duì)逆變器的不同故障進(jìn)行檢測(cè)與分離。通過對(duì)逆變器的四種故障進(jìn)行仿真分析，驗(yàn)證了該方法對(duì)故障的檢測(cè)與分離是可行的。關(guān)鍵詞：故障檢測(cè)與分離;逆變器;狀態(tài)空間平均法;殘差Abstract：It is difficult to model the inverter due to the nonlinear of PWM. The state-space average method is used to mod

行擬合優(yōu)度檢驗(yàn)和殘差檢驗(yàn)。關(guān)鍵詞：辛烷值、聯(lián)立方程式、內(nèi)生變量、外生變量、殘差。一、建立聯(lián)立方程模型1.1變量分析與選取由于本文主要研究影響辛烷值損失的影響因素預(yù)測(cè)，包含原料性質(zhì)、產(chǎn)品性質(zhì)、待生吸附劑性質(zhì)、再生吸附劑性質(zhì)以及操作變量，其之間相互影響，相互關(guān)聯(lián)，故依據(jù)問題二關(guān)鍵因素的篩選，選取原料硫含量S0與原料飽和烴含量T代表原料性質(zhì)代理變量;汽油硫含量S1作為產(chǎn)品性質(zhì)的代理變量。汽油中辛烷值R以及18個(gè)操作變量為外生變量。1.2模型建立設(shè)聯(lián)立方程計(jì)算經(jīng)濟(jì)

積神經(jīng)網(wǎng)絡(luò)，利用殘差學(xué)習(xí)和批量歸一化來加速訓(xùn)練過程，提高盲高斯去噪的性能。Tai等[7]設(shè)計(jì)了一種新的神經(jīng)網(wǎng)絡(luò)MemNet，使用特征映射連接和跳過連接模塊來進(jìn)行圖像超分辨率、高斯去噪。Wang等[8]提出了一種多尺度擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)，基于多尺度擴(kuò)張卷積在保存有價(jià)值的上下文信息的基礎(chǔ)上提高去噪精度。Tian等[9]提出了一種新的增強(qiáng)卷積神經(jīng)去噪網(wǎng)絡(luò)方法，通過使用殘差學(xué)習(xí)和批量歸一化技術(shù)來解決訓(xùn)練困難的問題，并加速網(wǎng)絡(luò)的收斂。目前，大多數(shù)現(xiàn)有網(wǎng)絡(luò)僅解決單一類型

過程轉(zhuǎn)換為獨(dú)立的殘差，設(shè)計(jì)合理的殘差控制圖具有重要的現(xiàn)實(shí)意義。目前看，國內(nèi)外學(xué)者已對(duì)殘差控制圖進(jìn)行了大量研究。在國外，Layth和Harry首次提出了殘差控制圖[1]。Lu和Reynolds對(duì)比了殘差均值和方差取不同偏移量時(shí)在Shewhart、CUSUM、EWMA三種控制圖下的異同點(diǎn)[2][3]。對(duì)于整合應(yīng)用控制圖，Lin和Adams提議聯(lián)合使用殘差控制圖和EWMA控制圖[4]。國內(nèi)對(duì)該領(lǐng)域的研究起步較晚，孫靜、徐立廣和楊穆爾是最先研究該領(lǐng)域的學(xué)者。他們?cè)?/div>

統(tǒng)計(jì)理論與實(shí)踐 2021年7期2021-08-15

s，數(shù)值模擬滿足殘差收斂性條件。結(jié)果顯示：轉(zhuǎn)杯內(nèi)腔壓力場(chǎng)梯度明顯，靜、動(dòng)壓從杯體中心逐漸向凝聚槽邊緣增大;輸纖管道出口處存在湍流速度，滑移面和凝聚槽流域氣流速度（342～428.68m/s）相對(duì)較大;紡紗通道內(nèi)部兩路氣流流線軌跡層界清晰、流向規(guī)律，流線特征符合壓力場(chǎng)和速度場(chǎng)分析預(yù)期，為高速轉(zhuǎn)杯流場(chǎng)特性及其紡紗機(jī)理研究提供了有力依據(jù)。關(guān)鍵詞：紡紗;轉(zhuǎn)杯;湍流;殘差;凝聚槽;輸纖管道;FLUENT中圖分類號(hào)：TS104.2;TH113文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1

，提出了基于電流殘差的單相逆變器IGBT開路故障診斷方法。以上方法基于對(duì)三相逆變器或者單相逆變器IGBT開路故障特征的分析，無需依賴于訓(xùn)練樣本，診斷算法較為簡單，為逆變器的故障診斷提供了良好的思路，但是上述診斷算法并不能直接應(yīng)用于整流器。隨著VSC-HVDC系統(tǒng)的發(fā)展，VSC型的三相整流器得到了較為廣泛的應(yīng)用，為了保障其運(yùn)行維護(hù)的可靠性與高效性，則需要對(duì)VSC-HVDC系統(tǒng)送端換流器(整流器)IGBT的開路故障進(jìn)行分析，進(jìn)而提出適用于VSC-HVDC系統(tǒng)送

卷積；梯度消失；殘差網(wǎng)絡(luò)；跳躍連接深度卷積神經(jīng)網(wǎng)絡(luò)是當(dāng)前人工智能的研究熱點(diǎn)，在圖像分類領(lǐng)域已經(jīng)取得了一系列突破［1-3］.卷積神經(jīng)網(wǎng)絡(luò)（CNN）的設(shè)計(jì)受到大腦神經(jīng)學(xué)中的簡單細(xì)胞和感受野發(fā)現(xiàn)的啟發(fā)［4］，其網(wǎng)絡(luò)主要由具有卷積濾波器的分層結(jié)構(gòu)組成，卷積神經(jīng)網(wǎng)絡(luò)通過將濾波器與輸入圖像進(jìn)行卷積生成下一層的特征向量，并利用共享參數(shù)實(shí)現(xiàn)數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)中的上層代表了低水平的如邊緣和色彩對(duì)比度等局部特征信息，而更深層次的網(wǎng)絡(luò)則進(jìn)一步捕獲更復(fù)雜的特征［5］.當(dāng)前研究大都通

算法，該算法融合殘差塊單元（Residual Block）、反殘差塊單元（Inverted Residual Block）進(jìn)行對(duì)人臉表情的識(shí)別。算法先進(jìn)行圖像增強(qiáng)，緩解數(shù)據(jù)集規(guī)模小的問題，再通過Dropout等技術(shù)，盡可能減少過擬合、梯度爆炸和梯度消失等問題，并通過實(shí)驗(yàn)對(duì)新方法進(jìn)行有效性驗(yàn)證。1 數(shù)據(jù)集與預(yù)處理人臉表情數(shù)據(jù)庫規(guī)模較小，使用場(chǎng)景不復(fù)雜。人臉數(shù)據(jù)集僅對(duì)笑與不笑標(biāo)記，而且笑容本身使用的肌肉較多，特征明顯。本文使用Fer2013數(shù)據(jù)集，同時(shí)使用FE

電壓采樣信號(hào)結(jié)合殘差理論進(jìn)行故障診斷，不需要額外的傳感器，而且可以集成到逆變器閉環(huán)控制程序中。電壓殘差法故障診斷是將延遲一個(gè)周期的相電壓信號(hào)作為動(dòng)態(tài)參考，與當(dāng)前的相電壓信號(hào)進(jìn)行比較得到電壓殘差波形，通過設(shè)置合理的故障檢測(cè)閾值，實(shí)現(xiàn)逆變器開關(guān)管開路故障的準(zhǔn)確診斷。具有實(shí)現(xiàn)容易，不增加硬件電路，診斷速度快，對(duì)負(fù)載變化魯棒性強(qiáng)等優(yōu)點(diǎn)。1 電壓殘差法故障診斷原理在電路故障診斷中，殘差是指實(shí)際測(cè)量值與估計(jì)值之間的差值[6]。三相逆變器發(fā)生故障后，電路的輸出變量相比估

了基于傅里葉級(jí)數(shù)殘差修正TDGM（1，1）的車流量預(yù)測(cè)模型。該模型首先應(yīng)用離散灰色模型TDGM（1，1）對(duì)原始車流量序列進(jìn)行建模，并得到初始預(yù)測(cè)值以及殘差序列;然后通過傅里葉級(jí)數(shù)對(duì)殘差序列進(jìn)行二次擬合，同時(shí)對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正。通過實(shí)例分析以及對(duì)比試驗(yàn)表明，該模型可以有效提高車流量預(yù)測(cè)精度。Abstract： Traffic flow prediction is a key problem in urban transport system. However

效率。而后，利用殘差網(wǎng)絡(luò)的超分辨率重建模型SRResNet［15］和EDSR［16］進(jìn)一步的提高了超分辨重建圖像的質(zhì)量。但是圖像超分辨率重建的網(wǎng)絡(luò)模型多為單支網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，不能夠充分學(xué)習(xí)高低分辨率圖像之間的映射關(guān)系。而為了增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)能力，本文提出了基于多路徑殘差網(wǎng)絡(luò)交叉學(xué)習(xí)的網(wǎng)絡(luò)模型。首先利用訓(xùn)練更快、學(xué)習(xí)能力更強(qiáng)的殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)訓(xùn)練數(shù)據(jù)集中高低分辨率圖像映射先驗(yàn)信息，再擴(kuò)展單支殘差網(wǎng)絡(luò)為3支獨(dú)立的殘差網(wǎng)絡(luò)并聯(lián)為網(wǎng)絡(luò)模型，并使用原來學(xué)習(xí)的網(wǎng)絡(luò)模

ion-net和殘差模塊的新型深度神經(jīng)網(wǎng)絡(luò)。首先，通過對(duì)各機(jī)場(chǎng)的在修飛機(jī)表面缺陷進(jìn)行采樣建立數(shù)據(jù)集，手段包括使用圖像處理修復(fù)不合格圖像、使用數(shù)據(jù)增強(qiáng)緩解數(shù)據(jù)類別不平衡、使用立方卷積插值法降采樣保留圖像特征等圖像預(yù)處理操作。然后在自建的數(shù)據(jù)集上對(duì)新型深度神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比測(cè)試。實(shí)驗(yàn)結(jié)果表明，新型神經(jīng)網(wǎng)絡(luò)在較少的參數(shù)下能夠達(dá)到最深的網(wǎng)絡(luò)深度，且在自建數(shù)據(jù)集的測(cè)試集上的識(shí)別率和查全率分別為74.23%和62.29%，優(yōu)于進(jìn)行對(duì)比的其他網(wǎng)絡(luò)。說明在一定

11]提出了深度殘差網(wǎng)絡(luò)(deep residual network).在殘差學(xué)習(xí)(residual learning)的啟發(fā)下,網(wǎng)絡(luò)中引入了恒等映射的設(shè)計(jì),巧妙的緩解了由于深度增加帶來的梯度爆炸或梯度消失以及網(wǎng)絡(luò)退化的問題,提升了信息傳遞路徑的數(shù)量,使得網(wǎng)絡(luò)的深度可以由幾十層推到千層.深度殘差網(wǎng)絡(luò)的出現(xiàn)極大的提高了系統(tǒng)的準(zhǔn)確率,使得訓(xùn)練極深的網(wǎng)絡(luò)成為可能,是圖像分類領(lǐng)域具有重要意義的突破性進(jìn)展.由于深度殘差網(wǎng)絡(luò)的優(yōu)良特性,它被應(yīng)用到多個(gè)領(lǐng)域,例如人臉識(shí)別

]等。本文將采用殘差冪級(jí)數(shù)法(RPSM)[9]求分?jǐn)?shù)階Rosenau-Haynam方程的近似解析解，這是一種基于分?jǐn)?shù)階冪級(jí)數(shù)展開的分析方法，已被成功應(yīng)用于多種分?jǐn)?shù)階微分方程。分?jǐn)?shù)階Rosenau-Haynam方程如下：(1)初始條件為(2)其中u=u(x,t)，α(0當(dāng)α=1時(shí)，方程精確解：(3)1 殘差冪級(jí)數(shù)法定義1[10-11]給定連續(xù)函數(shù)f(t),設(shè)n是大于等于α(α≥0)的最小整數(shù)，則Caputo分?jǐn)?shù)階導(dǎo)數(shù)定義為定理1[12]通過Caputo分?jǐn)?shù)階

判。項(xiàng)目采用最大殘差值、最小殘差值兩個(gè)精度特征參數(shù)進(jìn)行評(píng)價(jià)，獲得適合地形段內(nèi)的最優(yōu)轉(zhuǎn)換模型。其中，殘差值計(jì)算公式為：公式中，η1指測(cè)量點(diǎn)殘差值，，與分別為原高程異常值與轉(zhuǎn)換模型結(jié)果高程值。殘差絕對(duì)值愈小，表示精度愈高；反之，則表示精度較差。3 不同地形條件下GPS高程轉(zhuǎn)換模型應(yīng)用3.1 狹長帶狀區(qū)域地段GPS高程轉(zhuǎn)換從狹長帶狀區(qū)域路段的測(cè)量控制點(diǎn)圖（如圖2所示）可以看出，各個(gè)測(cè)量控制點(diǎn)幾乎在一條斜線上，其中，K1～K8共8個(gè)測(cè)量控制點(diǎn)的基本參數(shù)已在GPS高

鍵詞：自適應(yīng)性；殘差；智能算法；自學(xué)習(xí)性中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）24-0113-02隨著信息技術(shù)的發(fā)展和高等教育體制改革的不斷深入，高校實(shí)現(xiàn)了教育信息化，大大提高了工作效率。將智能屬性融合算法技術(shù)應(yīng)用于高校教務(wù)管理中，可以分析出重要的對(duì)決策或者預(yù)測(cè)有用的信息和知識(shí)，利用分析結(jié)果輔助教學(xué)，幫助教學(xué)管理者做出科學(xué)的決策。智能屬性融合技術(shù)的目的是對(duì)“全信息”的融合處理，實(shí)現(xiàn)高層次的人腦分析處理問題功能的模擬

程，眾多學(xué)者提出殘差控制圖，即先擬合自相關(guān)過程的時(shí)間序列模型，再利用擬合模型的殘差相互獨(dú)立且服從正態(tài)分布的特性，以傳統(tǒng)控制圖直接監(jiān)控殘差序列值。傳統(tǒng)控制圖對(duì)中小漂移檢測(cè)的靈敏性參差不齊，因此，為提高中小漂移的檢測(cè)效能，Roberts（1959）[2]提出了指數(shù)加權(quán)移動(dòng)平均（EWMA）控制圖，EWMA控制圖的特點(diǎn)是利用了歷史數(shù)據(jù)，且該控制圖可以對(duì)不同階段的數(shù)據(jù)取不同的權(quán)重，距今越近的數(shù)據(jù)權(quán)重越大，距今越遠(yuǎn)的數(shù)據(jù)權(quán)重越小，它主要檢測(cè)統(tǒng)計(jì)過程控制中的微小波動(dòng)。Z

GARCH模型；殘差中圖分類號(hào)：F830.91 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1008-4428（2018）06-0117-03一、 引言我國的金融市場(chǎng)起初不存在做空機(jī)制，所以一開始國內(nèi)對(duì)統(tǒng)計(jì)套利的研究并不多見。2005年方昊引進(jìn)并系統(tǒng)地介紹了統(tǒng)計(jì)套利的基本原理和交易策略，同時(shí)證實(shí)統(tǒng)計(jì)套利在我國封閉式基金市場(chǎng)的有效性。2007年在此基礎(chǔ)上宗曦將殘差序列標(biāo)準(zhǔn)差的0.75倍直接作為套利交易的信號(hào)，同時(shí)把2倍的標(biāo)準(zhǔn)差作為止損條件。2008年首次運(yùn)用GARCH模型檢驗(yàn)

型；ols回歸；殘差一、變量的描述性統(tǒng)計(jì)分析我們通過網(wǎng)絡(luò)問卷調(diào)查的形式共向全國收集到了469份問卷，首先通過運(yùn)用STATA數(shù)據(jù)分析軟件對(duì)所收集的數(shù)據(jù)進(jìn)行了變量的描述性統(tǒng)計(jì)分析，包括分析其Obs（觀測(cè)數(shù)）、樣本均值（Mean）、標(biāo)準(zhǔn)差（Std.DEV.）、最小值（Min）及最大值（Max）。樣本總數(shù)為469，三個(gè)變量的含義分別為：time為被解釋變量，代表大學(xué)生平均每日實(shí)際運(yùn)動(dòng)時(shí)間，單位分鐘，樣本均值為85.30分鐘，最小值為0分鐘，最大值為180分鐘，標(biāo)準(zhǔn)

于參數(shù)指數(shù)非線性殘差神經(jīng)網(wǎng)絡(luò)的臍橙病變?nèi)~片識(shí)別楊國亮，許 楠*，康樂樂，龔 曼，洪志陽(江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)摘 要：提出一種參數(shù)指數(shù)非線性(PENL)函數(shù)來改進(jìn)殘差網(wǎng)絡(luò)，利用深度學(xué)習(xí)的新方法識(shí)別臍橙葉面病變，減少了整流線性損失，提升了訓(xùn)練效果。以臍橙葉面圖像為樣本，進(jìn)行CNN訓(xùn)練，以區(qū)分出病變、缺素、正常及非此類物種4種類型，實(shí)現(xiàn)了對(duì)于臍橙疾病檢測(cè)迅速且方便應(yīng)用的分類模型，相比于傳統(tǒng)植物病變識(shí)別方法具有極大的優(yōu)勢(shì)，

級(jí)預(yù)測(cè)金字塔層的殘差圖像，選擇特定的初始化方法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行初始化，加快模型收斂，并引入多通道映射提取更加豐富的特征，采用卷積級(jí)聯(lián)，共享權(quán)重的方式進(jìn)行圖像超分辨率重構(gòu)，改進(jìn)的模型可以更好地重建出圖像的紋理和細(xì)節(jié)。關(guān)鍵詞：圖像超分辨率重建; 拉普拉斯金字塔;殘差;多通道;卷積級(jí)聯(lián);中圖分類號(hào)：TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ?文章編號(hào)：1007-9416（2018）10-0000-00近年來，深度學(xué)習(xí)在圖像處理領(lǐng)域取得了顯著的研究成果。在大量

del.關(guān)鍵詞：殘差；平均運(yùn)行鏈長；自相關(guān)；漂移；MEC；MCE；統(tǒng)計(jì)過程控制Key words： residual；average run length（ARL）；autoregressive；shift；Mixed EWMA-CUSUM；Mixed CUSUM-EWMA；statistical process control中圖分類號(hào)：O212.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）03-0192-040 引言在生產(chǎn)過程中，為了實(shí)

后的運(yùn)動(dòng)序列以及殘差；然后在維度參數(shù)不變的情況下增大窗口區(qū)間，對(duì)其進(jìn)行降維，同時(shí)通過迭代特征值估計(jì)降低計(jì)算復(fù)雜度；最后根據(jù)殘差值的幅度跳變點(diǎn)衡量人體運(yùn)動(dòng)序列的分割點(diǎn)。通過實(shí)驗(yàn)，證明了該運(yùn)動(dòng)分割方法在準(zhǔn)確率和召回率上均有良好的表現(xiàn)。【關(guān)鍵詞】人體運(yùn)動(dòng)分割 最大方差展開 殘差 迭代特征值隨著運(yùn)動(dòng)捕捉的不斷發(fā)展，其在電影電視，游戲動(dòng)畫，虛擬現(xiàn)實(shí)等產(chǎn)業(yè)的發(fā)展日新月異。在對(duì)運(yùn)動(dòng)捕捉數(shù)據(jù)的處理中，運(yùn)動(dòng)分割是尤為重要的一個(gè)環(huán)節(jié)。當(dāng)采集的人體運(yùn)動(dòng)數(shù)據(jù)很多時(shí)，這些運(yùn)動(dòng)都保存

)多重超平面完備殘差圖段輝明1,邵凱亮1,張清華1,曾 波2(1.重慶郵電大學(xué)理學(xué)院,重慶 400065)(2.重慶工商大學(xué)商務(wù)策劃學(xué)院,重慶 400067)本文研究了任意維超平面完備殘差圖和多重超平面完備殘差圖,將Erd¨os、Harary和Klawe’s定義的平面殘差圖推廣到任意維超平面.利用容斥原理以及集合的運(yùn)算性質(zhì)等方法,獲得了任意維超平面完備殘差圖的最小階和唯一極圖,以及任意維超平面完備殘差圖的一個(gè)重要性質(zhì),同時(shí)獲得了多重任意維超平面完備殘差圖的

0)CVS中基于殘差結(jié)構(gòu)特征的塊分類重構(gòu)算法*楊春玲 李文豪(華南理工大學(xué) 電子信息學(xué)院， 廣東 廣州 510640)現(xiàn)有最好的視頻壓縮感知重構(gòu)算法大都采用“預(yù)測(cè)-殘差重構(gòu)”策略，可有效利用幀內(nèi)和幀間的相關(guān)性獲得較好的性能，但是殘差重構(gòu)均直接采用SPL算法，忽略了殘差信號(hào)自身的結(jié)構(gòu)特征，限制了性能的進(jìn)一步提升.針對(duì)該問題，文中提出了一種基于預(yù)測(cè)殘差結(jié)構(gòu)特征的塊分類重構(gòu)算法，首先利用殘差塊觀測(cè)值的平均能量對(duì)殘差塊進(jìn)行分類，然后對(duì)不同類的殘差塊采用不同的重構(gòu)算

66041）像移殘差對(duì)圖像技術(shù)調(diào)焦的影響李明珠，張玉葉，徐國鋒，王穎穎（海軍航空工程學(xué)院青島校區(qū)，山東 青島 266041）像移殘差是影響航空相機(jī)圖像質(zhì)量的重要因素，應(yīng)用圖像法對(duì)航空相機(jī)實(shí)時(shí)檢調(diào)焦過程中，由于像移殘差的存在，調(diào)焦精度降低。當(dāng)前關(guān)于像移殘差和調(diào)焦精度兩者的之間關(guān)系沒有通用性的理論性研究。從理論上分析了航空?qǐng)D像線性像移殘差模型，給出了像移殘差模型對(duì)評(píng)價(jià)函數(shù)的影響，得到像移殘差與調(diào)焦曲線極大值呈負(fù)相關(guān)的關(guān)系。圖像的像移殘差量越大，調(diào)焦函數(shù)曲線的最

1)?基于帶符號(hào)殘差加權(quán)的手機(jī)定位方法趙勝輝，趙情恩，王迪，翟迎燦，王迎雪(北京理工大學(xué) 信息與電子學(xué)院，北京 100081)在蜂窩網(wǎng)的移動(dòng)終端定位中，非視距(NLOS)環(huán)境造成的誤差是導(dǎo)致定位精度下降的主要原因.為降低NLOS誤差的影響，本文提出了一種基于帶符號(hào)殘差加權(quán)的定位方法.該方法采用Chan算法算出移動(dòng)臺(tái)的初始位置，用帶符號(hào)殘差加權(quán)模型進(jìn)行修正，再應(yīng)用帶符號(hào)殘差輔助的泰勒級(jí)數(shù)展開法進(jìn)行迭代，得到移動(dòng)臺(tái)的最終估計(jì)位置.仿真實(shí)驗(yàn)結(jié)果表明，與基于平方殘

最新觀測(cè)量得到的殘差值設(shè)置一個(gè)自適應(yīng)系數(shù)來調(diào)整濾波器的似然函數(shù)分布，使得采樣點(diǎn)向高似然區(qū)域移動(dòng)，增加了采樣區(qū)域和似然函數(shù)的重疊部分，在一定程度上保持了粒子的有效性和多樣性，克服了粒子樣本的貧化問題，從而改善了傳統(tǒng)的IMMPF算法在濾波采樣過程中沒有考慮到當(dāng)前最新的觀測(cè)信息而導(dǎo)致使濾波性能下降的問題。經(jīng)過仿真實(shí)驗(yàn)驗(yàn)證，該改進(jìn)方法應(yīng)用在機(jī)動(dòng)目標(biāo)跟蹤中，可以有效地提高了跟蹤性能的穩(wěn)定性?！娟P(guān)鍵詞】交互多模型粒子濾波算法 目標(biāo)跟蹤 殘差 似然函數(shù)隨著科學(xué)技術(shù)的發(fā)展

olation)殘差,研究基于mDOs觀測(cè)器的閉環(huán)Kalman濾波器設(shè)計(jì)方法,實(shí)現(xiàn)故障診斷和系統(tǒng)狀態(tài)的有效觀測(cè).首先,基于采樣數(shù)據(jù)得到大型復(fù)雜系統(tǒng)的KPI子空間模型,定義了跟蹤誤差,得到了閉環(huán)濾波器;其次,將殘差序列表示為Hankel模型,通過定義正交投影補(bǔ)矩陣并選擇恰當(dāng)?shù)臄?shù)據(jù)列,構(gòu)建出新的閾值矩陣;最后,得到Kalman濾波增益的計(jì)算方法,并給出了最優(yōu)Kalman濾波器的設(shè)計(jì)步驟.結(jié)果表明,優(yōu)化后殘差的幅值降低至優(yōu)化前的1/2.基于數(shù)據(jù)驅(qū)動(dòng)的KPI系統(tǒng)最

性平差模型。依據(jù)殘差中不確定性傳播規(guī)律，確定了殘差最大不確定度達(dá)到最小的平差準(zhǔn)則，利用迭代算法得到了不確定性平差模型的解算方法。通過實(shí)例分析了最小二乘平差、整體最小二乘平差和不確定性平差準(zhǔn)則下最優(yōu)解的不同特點(diǎn)，從另一個(gè)角度探討了不確定性觀測(cè)數(shù)據(jù)處理方法，推廣了現(xiàn)有的誤差理論。關(guān)鍵詞：不確定度；平差準(zhǔn)則；殘差；整體最小二乘平差；平差模型1引言不確定性是一種廣義的誤差，是不精確性、模糊性、不明確性等概念的總稱，它包含數(shù)值和概念的誤差，也包含可度量和不可度量誤差

利用最小二乘擬合殘差法分離擬合多向式的可行性，并提出了該方法在數(shù)據(jù)處理中應(yīng)用的可行性。關(guān)鍵詞：殘差；趨勢(shì)項(xiàng)；周期項(xiàng)；最小二乘法中圖分類號(hào)：TB9 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2015.19.080測(cè)量船在海上航行時(shí)，由于測(cè)量工況、任務(wù)海況、氣候和設(shè)備性能等原因，測(cè)量設(shè)備獲取到的測(cè)量數(shù)據(jù)不可避免地會(huì)存在一定的隨機(jī)誤差。精確計(jì)算隨機(jī)誤差，一方面，可以更好地檢驗(yàn)設(shè)備的性能；另一方面，有助于提高數(shù)據(jù)處理精度。在無線電測(cè)量設(shè)備

斗”導(dǎo)航衛(wèi)星定軌殘差特征提取與分布檢驗(yàn)陳略1,2唐歌實(shí)1,2崔紅正1,2陳明1,2劉薈萃1,2王美1,2(1 北京航天飛行控制中心，北京 100094) (2 航天飛行動(dòng)力學(xué)技術(shù)國家級(jí)重點(diǎn)實(shí)驗(yàn)室，北京 100094)針對(duì)“北斗”導(dǎo)航衛(wèi)星定軌殘差中非建模系統(tǒng)誤差問題，提出基于總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)與Hilbert譜分析相結(jié)合的定軌殘差特征提取方法，并對(duì)定軌殘差正態(tài)分布特性進(jìn)行卡方檢驗(yàn)。首先，分析總體經(jīng)驗(yàn)?zāi)Ｊ椒纸庠?，提出濾波輔助的改進(jìn)EEMD方法與

一定時(shí)差，即到時(shí)殘差或稱為波速異常。1956年宮本貞夫通過研究福井7.2級(jí)地震發(fā)現(xiàn)，震前在震中距400～600 km的首波異常達(dá)到± (2～3)s，這是首次觀測(cè)到大震前波速異常現(xiàn)象 (馮德益，1981)。隨著地震學(xué)的發(fā)展，利用P波走時(shí)殘差研究更加廣泛，不僅更多的用來研究地球內(nèi)部結(jié)構(gòu)，還用地震前的波速異常來預(yù)測(cè)地震 (馮德益等，1980;顧瑾平，盛國英，1983;馮銳等，1976;姜秀娥，陳非比，1981;戴維樂，1991)。此后全球地震工作者對(duì)波速異常進(jìn)行

法產(chǎn)生,如電離層殘差法[5]、M-W法(雙頻碼相組合法)[6],電離層殘差法是目前周跳探測(cè)與修復(fù)相對(duì)最準(zhǔn)確的方法,可以準(zhǔn)確探測(cè)到1周的小周跳,但當(dāng)多個(gè)頻點(diǎn)于同一歷元發(fā)生周跳時(shí),無法有效地進(jìn)行周跳探測(cè)與修復(fù)。本文充分研究電離層殘差法與多普勒積分探測(cè)周跳的原理以及特點(diǎn),提出了一種基于多普勒輔助的改進(jìn)的電離層殘差法來探測(cè)與修復(fù)周跳,并通過實(shí)驗(yàn)分析證明了該改進(jìn)的方法有效解決了電離層殘差法存在的上述問題,當(dāng)多頻點(diǎn)于同一歷元發(fā)生周跳時(shí),也能探測(cè)與修復(fù)小至1周的周跳,提

續(xù)生產(chǎn)過程，采用殘差T2控制圖，用鋼鐵聯(lián)合企業(yè)的實(shí)際數(shù)據(jù)進(jìn)行分析，研究了在穩(wěn)定狀態(tài)和不穩(wěn)定狀態(tài)下的傳統(tǒng)T2控制圖和殘差T2控制圖，比較在兩種狀態(tài)下兩控制圖的平均運(yùn)行鏈長ARL的大小，驗(yàn)證了殘差T2控制圖能夠有效的控制連續(xù)型過程的多元自相關(guān)過程。關(guān)鍵詞：連續(xù)型過程；殘差；T2控制圖；ARL0 前言統(tǒng)計(jì)過程控制[1]是一種運(yùn)用統(tǒng)計(jì)技術(shù)對(duì)生產(chǎn)過程質(zhì)量進(jìn)行監(jiān)控的方法，以發(fā)現(xiàn)和預(yù)測(cè)生產(chǎn)中可能出現(xiàn)的異?，F(xiàn)象。統(tǒng)計(jì)過程控制常用的工具是控制圖，控制圖[2]是休哈特博士于1

究GPS測(cè)站坐標(biāo)殘差序列時(shí)，考慮到殘差序列理論意義上整體都是噪聲，那么通過選取特定的閾值和小波基函數(shù)，從殘差序列中提取的噪聲，通過試驗(yàn)，本文發(fā)現(xiàn)這些提取的噪聲實(shí)際具有一些非線性周期變化規(guī)律，這些具有研究價(jià)值的非線性變化規(guī)律已經(jīng)不再是傳統(tǒng)意義上的隨機(jī)噪聲，而是包含了因各種地球物理機(jī)制以及GPS本身系統(tǒng)性誤差引起的測(cè)站坐標(biāo)非線性變化規(guī)律。因此，通過靈活應(yīng)用小波去噪思想，對(duì)于進(jìn)一步直觀地研究GPS測(cè)站坐標(biāo)殘差序列的非線性變化規(guī)律，進(jìn)而提高地心坐標(biāo)精度有重要意義。

模型誤差，用基于殘差的神經(jīng)網(wǎng)絡(luò)方法對(duì)預(yù)測(cè)模型進(jìn)行補(bǔ)償.由預(yù)測(cè)模型計(jì)算模型殘差，借助神經(jīng)網(wǎng)絡(luò)根據(jù)殘差對(duì)預(yù)測(cè)模型進(jìn)行補(bǔ)償，將預(yù)測(cè)模型與補(bǔ)償結(jié)果疊加獲得補(bǔ)償后的實(shí)用模型.對(duì)同一地質(zhì)情況不同軟基處理方式進(jìn)行工程實(shí)例驗(yàn)證，結(jié)果表明:基于殘差的神經(jīng)網(wǎng)絡(luò)方法能有效補(bǔ)償模型誤差，神經(jīng)網(wǎng)絡(luò)方法補(bǔ)償后的路基沉降預(yù)測(cè)模型，其預(yù)測(cè)精度平均提高了56%，優(yōu)于原預(yù)測(cè)模型.關(guān)鍵詞:模型誤差;誤差補(bǔ)償;殘差;神經(jīng)網(wǎng)絡(luò);路基沉降預(yù)測(cè)2004年，交通部制定了《國家高速公路網(wǎng)規(guī)劃》.國家高速公

莊050000)殘差自適應(yīng)回歸TLS*陳西江1，2)花向紅1，2)魯鐵定3)翟高鵬4)楊燕景3)(1)武漢大學(xué)測(cè)繪學(xué)院，武漢 430079 2)武漢大學(xué)災(zāi)害監(jiān)測(cè)與防治研究中心，武漢 430079 3)東華理工大學(xué)測(cè)繪工程學(xué)院，撫州 344000 4)河北省測(cè)繪產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)站，石家莊050000)TLS在擬合及推估過程中，其擬合和推估的殘差會(huì)隨著觀測(cè)數(shù)據(jù)量的增加而呈現(xiàn)上揚(yáng)的趨勢(shì)，為了抑制殘差的上揚(yáng)，將自適應(yīng)回歸模型引入到TLS的擬合及推估中，采用適宜的回