一种基于残差的遥感图像融合新方法

针对遥感图像融合问题,提出了一种基于残差的遥感图像融合新方法。该方法借助于主成分分析(principal component analysis,PCA),通过对多光谱图像的残差图像和全色图像的残差图像进行融合来恢复出多光谱图像的高分辨率残差图像,以实现多光谱图像和全色图像的融合。实验结果的主观视觉效果和客观统计参数分析都表明,新方法不仅较大地增强了融合图像的空间细节表现能力,而且很好地保留了多光谱图像的光谱信息,其性能优于现有的HIS(hue-intensity-saturation)变换融合方法、PCA融合方法和小波变换(wavelet transform,WT)融合方法。     

非视距环境中的无线网络残差加权定位算法

无线定位已成为物联网应用的重要研究内容,为减小非视距(NLOS)误差对传统定位算法的精度的影响。因此提出一种基于目标临时位置估计的残差幂次方加权定位算法。算法核心在于先利用分组定位得到不同目标节点估计位置,并将位置之间的差值定义为临时定位残差。然后区别于传统残差加权定位算法,本文提出用残差的高次幂作为加权函数,并通过仿真搜索最优的加权函数。仿真结果表明,当LOS-SN数目不小于2时,本文算法在定位精度上远高于传统的NLOS抑制定位算法。和传统的残差加权定位算法(RWGH)相比,本文所提算法的定位精度提高了近60%,同时降低了对LOS-SN个数的要求。和半正定规划(SDP)相比,定位精度提高了近38%,并降低了计算复杂度。     

基于轻量自动残差缩放网络的图像超分辨率重建

近年来,由于深度卷积神经网络的出色性能,深度学习已成为图像超分辨率领域的研究热点,已经有许多具有很深结构的大型模型被提出。而在实际应用中,普通个人计算机或智能终端的硬件显然不适合大规模深度神经网络模型。提出了一种针对单幅图像超分辨率且具有自动残差缩放功能的轻量级网络(ARSN),与许多基于深度学习的方法相比,它的层和参数更少。此外,该网络中有特殊的残差块和跳跃连接用来进行残差缩放以及全局和局部残差学习。根据测试数据集结果,该网络在重建质量和运行速度上都达到了非常优异的性能。所提出的网络在性能、速度和硬件消耗方面均取得了良好的效果,具有较高的实用价值。     

一种面向快速全局运动估计的渐进精细闭值方法

快速全局运动估计的关键在于全局运动区域与局部运动区域的分割,其难点在于阂值的设定。提出一种面向快速全局运动的渐进精细阂值方法,该方法分为两步:第一步,用一个将统计特性与均值阂值相结合的亮度残差阂值模型来大致划分局部运动区域与全局运动区域,从而得到全局运动佑计区域的近似集合;第二步,使用一种运动矢量残差分级阂值技术在能量残差函数最小化迭代过程中逐步细化全局运动像素点集合,最后分离出完整的全局运动区域,从而实现快速的运动估计。     

基于双向特征金字塔和残差网络的危化品运输车辆检测

危化品运输车辆的主要特征是车顶的危险标志和车牌下的危险品标志,这对于大多数目标检测算法来说检测起来比较困难.为了在提高检测精度的同时加快检测速度,本文提出了一种融合残差网络和双向特征金字塔网络的危化品车辆检测算法.首先通过对高速公路监控视频进行截取,制作危化品车辆数据集,然后通过残差网络进行特征提取,在本文中,使用循环...     

基于残差分析的GM(1,1)模型有效性研究

GM(1,1)模型是处理贫信息数据序列的有效工具,也是灰色理论体系中应用广泛、具有基础性地位的一类重要模型.从一个新的视角-残差的角度,对该模型的有效性和使用范围进行分析.结果表明,GM(1,1)除了对指数衰减趋0的序列实现+∞上的拟合外,对算术级数序列和指数增加的序列拟合效果不佳,残差分布是不均匀的,且有不断扩大的趋势.     

基于深度残差网络的电力系统暂态稳定预测

电力系统稳定性预测存在映射维度不匹配的问题,导致预测精准性下降,提出基于深度残差网络发热暂态稳定预测方法.将残差单元融入深度残差网络,利用跨层短连接的恒等映射与残差函数,完成线性映射到非线性映射的转换,根据输入特征维度,架构用于暂态稳定预测的深度残差网络模型,通过划分神经网络处理后未知样本,采用交叉熵损失函数,优化深度残差网络模型,基于样本特征与标签数据集,结合样本标注规则,构建出由数据生成、离线训练以及模型应用模块构成的暂态稳定预测方法.仿真数据选取新英格兰10机39节点系统与三组底层量测数据,预测结果具有较为理想的稳定性、精准性以及鲁棒性,且时间复杂度较低.     

残差初值的自适应估计

本文通过对工程上常用的残差初值选取方法--均值法统计特性的深入分析,揭示了残 差初值问题的重要性.在研究了均值法和最小二乘法等两种简单残差初值估计方法统计特性 的基础上,得到了一种简单、实用、附加计算量小、统计特性优良的残差初值估计方法.该方法 的特点是能自动根据系统参数的变化来调整残差初值算法的参数,保证残差初值估计的优良 统计特性.     

全卷积多并联残差神经网络

随着人工智能的火热发展,深度学习已经在很多领域占有了一席之地.作为深度学习中一个典型网络--残差神经网络模型自提出之日起就成为了众多研究者的关注点.然而,残差神经网络还有很大的改进空间.为了更好地解决反向传播中梯度减小的问题,本文提出了一种改进的残差神经网络,称为全卷积多并联残差神经网络.在该网络中,每一层的特征信息不仅传输到下一层还输出到最后的平均池化层.为了测试该网络的性能,分别在三个数据集(MNIST,CIFAR-10和CIFAR-100)上对比图像分类的结果.实验结果表明,改进后的全卷积多并联残差神经网络与残差网络相比具有更高的分类准确率和更好的泛化能力.     

基于多尺度残差的图像去模糊

为有效地提升图像去模糊的效果,论文在残差网络的基础上加入多尺度结构,提出一种基于多尺度残差的图像去模糊算法。该算法由多尺度卷积单元级联而成,并采用残差学习策略提高网络性能。在伯克利数据集BSD500上进行训练,在Set5数据集上进行测试。实验结果表明,提出的这种基于多尺度残差的图像去模糊具有更强的复原能力,且对图像及其模糊类型、噪声水平等更具有稳健性,且能够获得更高的峰值信噪比(PSNR)和结构相似度(SSIM)。     

低计算量非视距定位的组合优化选择性判决残差检测算法

传统的RT(NLOS)算法虽然降低了一点定位误差概率,但是却需要极高的复杂度,因此不能满足现在严格的应用需求.本文提出了一种改进的RT算法,即低运算复杂度的CO-SRT(SRT)算法,并且给出了详细的分析.仿真结果表明,该定位算法满足了在不同环境下、不同网络参数下的定位需求,这种CO-SRT(SRT)算法可以使用四个视距信号进行定位,而且性能与RT极为相近.通过优化2-6个不同的联合的非视距信号,SRT算法在复杂度方面大约降低了52.3%-80.3%.     

基于递归残差网络的遥感图像超分辨率重建

深层网络有效地提高了重建图像的精度，但是拥有大量参数，使训练时间过长。因此，改进了一种基于递归残差网络的遥感图像超分辨率重建算法，将全局残差学习和局部残差学习相结合，有效地降低训练深层网络的难度，并且通过递归学习控制网络参数。实验结果证明了递归残差网络在遥感图像超分辨率重建中的有效性，改进的网络可以获得更好的主观视觉效果以及客观评价指标。     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。     

基于随机丢包网络的网络存储系统故障检测方法

针对网络随机丢包的特性,研究网络存储系统在带有随机丢包的网络中故障检测失误率高的问题,提出了一种在随机丢包网络中的网络存储故障检测方法。该方法将残差发生、残差评估和误报率引入故障检测中。首先,在系统框架中实现残差发生;然后,充分利用随机丢包的随机特性获得残差评价;最后,通过切比雪夫不等式对所设计的阈值进行性能评价,即误报率的计算,给出了相应的诊断算法。仿真结果表明,该方法对故障具有较高的检测灵敏度,并且也证明了该方法的有效性。     

基于深度可分离卷积和宽残差网络的医学影像超分辨率重建

为提高医学影像超分辨率的重建质量,提出了一种基于深度可分离卷积的宽残差超分辨率神经网络算法。首先,利用深度可分离卷积改进网络的残差块,扩宽残差块中卷积层的通道,将更多的特征信息传入了激活函数,使得网络中浅层低级图像特征更容易地传播到高层,提高了医学影像超分辨率的重建质量;然后,采用组归一化的方法训练网络,将卷积层的通道维度划分为组,在每个组内计算归一化的均值和方差,使得网络训练过程更快地收敛,解决了深度可分离卷积扩宽通道数导致网络训练难度增加的问题,同时网络表现出更好的性能。实验结果表明,对比传统的最近邻插值、双三次插值超分辨率算法,以及基于稀疏表达的超分辨率算法,所提算法重建出的医学影像纹理细节更加丰富、视觉效果更加逼真。对比基于卷积神经网络的超分辨率算法,基于宽残差超分辨率神经网络算法和生成对抗网络超分辨率算法,所提算法在峰值信噪比（PSNR）和结构相似性（SSIM）上有显著的提升。     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。     

基于密集Inception的单图像超分辨率重建方法

近几年,基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比,所提方法的结构相似性（SSIM）高了0.013 6;与基于多尺度残差网络的图像SR（MSRN）相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。