通过sas软件，拟合出多元线性回归方程，接着求出其残差、学生化残差、杠杆量等，进而求出学生化残差，画出QQ图，画出残差图，最后进行BOX-COX变换。

libtorch实现的Resnet34残差网络网络，对Cifar-10数据集进行训练和分类，测试集分类准确率达到94.05%

近年来, 随着人工智能的发展, 深度学习模型已在ECG数据分析(尤其是房颤的检测)中得到广泛应用. 本文提出了一种基于多头注意力机制的算法来实现房颤的分类, 并通过PhysioNet 2017年挑战赛的公开数据集对其进行训练和验证. 该算法首先采用深度残差网络提取心电信号的局部特征, 随后采用双向长短期记忆网络在此基础上提取全局特征, 最后传入多头注意力机制层对特征进行重点提取, 通过级联的方式将多个模块相连接并发挥各自模块的作用, 整体模型的性能有了很大的提升. 实验结果表明, 本文所提出的heads-8模型可以达到精度0.861, 召回率0.862, F1得分0.861和准确率0.860, 这优于目前针对心电信号的房颤分类的最新方法.

灰色预测检验一般有残差检验、关联度检 ③后验差检验，对残差分布的统计特性进行检验。 验和后验差检验。 7、模型的检验 ①残差大小检验，对模型值和实际值的误差进行逐点检验； ②关联度检验，通过考察模型值曲线与建模序列曲线的相似程度进行检验;

matlab开发-残差分布。单位平方上二维稳态线性平流问题的残差分布N格式。

使用keras自定义残差网络，以MNIST数据集分类为例，为帮助读者了解残差网络的实现，仅使用简单的全连接层

图像金字塔与残差金字塔、二维快速小波变换的matlab代码实现。包括测试图像与result。数字图像处理教材例子复现。

基于深度残差网络的人脸关键点检测

含代码，和实验报告，实验精度达到99%，在UCI-cars数据集上进行的实验，网络结构为自行设计，灵感来源2019CVPR-CornerNet-Saccade和Resnet的残差思想。很值得大家进行学习。作者为中科大11系研究生在读。

传统的花卉识别算法一般是建立在手动特征提取和分类器训练的基础上，其泛化能力有限且准确度存在瓶颈。为此提出了基于深度卷积网络的识别算法，采用152层残差网络架构，在爬虫获取的大量标定数据基础上，对神经网络进行迁移学习训练。上线发布的算法集成系统中，用户拍照获取的花卉照片可通过网络传输到云服务器，并在服务端部署的深度学习架构下实现花卉快速识别。针对ImageNet和网龙花卉数据集的实验对比结果表明，基于残差网络迁移学习的方法具有识别准确率高、实时反馈、鲁棒性好等特点。