介绍了使用自定义残差块的方式实现长残差网络构建方法的介绍

多因子分域研究系列（十）：三因子模型下的残差动量因子分域探究之沪深300指数篇

多因子分域研究系列（九）：三因子模型下的残差动量因子分域探究之上证50指数篇

深度残差学习 ----汇总

针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。

此函数接受两个（向量）变量，要对其执行二元线性回归分析，并从两个变量中删除异常值。 由于回归残差向量用于检测异常值，因此只有那些离 1:1 回归线最远的记录才会被检测和删除。 如果要求删除多个异常值，在删除下一个异常值之前，将重新计算回归残差以避免淹没和掩蔽效应，然后将删除距离 1:1 线最远的下一个点，依此类推。 该方法将那些在单个变量（X 或 Y）中可能是异常值但可以很好地拟合 1:1 回归线拟合的点与在每个单独的输入变量（X， Y），但是当两个变量拟合在回归线中时，可能会出现在异常值中。 为了从残差向量中检测异常值，使用了一个子函数（该子函数是 Vince Petaccio 2009 年工作的增强，也可作为独立函数“异常值”从 Matlab 文件交换中获得）。 --输入： X0：二元线性回归中因变量的向量Y0：二元线性回归中自变量的向量异常值：应该删除多少异常值？ （如果未提供，

针对人脸表情识别，传统方法主要依赖人工提取特征的优劣，算法的鲁棒性较差，而传统卷积神经网络无法提取到更深层次的图像特征，因此该文将采用深度残差网络进行人脸表情识别。ResNet网络主要由残差模块组成，将残差模块的输出送入到全连接层进行特征的融合，最后由Softmax分类器进行分类。该文将输入残差模块之前的卷积层进行改进，使用并行的小卷积代替原来的卷积，使其可以提取到更深层次且不同尺度的图像特征以易于识别。在公用数据集CK+上进行多次实验，结果证明该方法具有较高的准确率。

粒子群包括随机重采样、多项式重采样、系统重采样、残差重采样程序

影响北斗卫星导航系统（BDS，BeiDou navigation satellite system）观测数据质量的重要指标包括整周模糊度的确定、周跳探测与修正。首先，从码伪距观测方程和载波相位观测方程出发，研究BDS 整周模糊度解算方法。其次，利用电离层残差量作为探测周跳的手段，通过仿真实验分析该方法的可行性。实验表明：当周跳小于8 周时，用电离层残差探测周跳比较适合；若周跳大于8 周，需选用其它方法。

行业分类-物理装置-基于多尺度信息和残差网络的小目标交通标志检测方法.zip