基于传统BP神经网络的变压器故障诊断方法，当网络模型达到一定的深度时，模型的诊断性能会趋向于饱和，无法进一步提升网络模型的诊断性能，此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外，在小样本数据下，传统BP神经网络仍无法取得较好的诊断准确率。因此，为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能，提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度，将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时，在每个残差网络模块中，模块的输入信息可以在模块内跨层传输，使得每个模块的输入信息可以更好地向深层网络传递，从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明，相较于传统深层BP神经网络和传统浅层BP神经网络，所提方法具有更高的诊断准确率，同时在小样本数据下也体现出较好的诊断性能。

使用对抗生成网络，来实现超分辨率。使用imagenet的部分数据。摒弃了用均方误差和信噪比来优化参数。

关于学生化残差的解释，在回归分析的诊断中很有用，有内学生化残差、外学生化残差等

学生课堂行为识别旨在识别学生在课堂上的行为表现，反映课堂教学质量。针对目前卷积神经网络在随着网络层数加深表现出来的性能退化的问题，提出基于残差结构的深度残差网络。通过搭建学生课堂行为识别数据集，训练深度残差网络，使网络成功识别出上课、睡觉、玩手机、做笔记、看书、东张西望等行为。将深度残差网络与深度卷积神经网络在该数据集上的准确率进行对比，实验结果表明前者拥有更好的网络识别性能。

随着实验系统规模的不断扩大，系统运行成本高、周期长等问题逐渐显现，这就造成了实验数据获取困难、可供分析的实验数据量偏小等问题。因此，有必要通过合理的模型和方法分析原始数据的特点，对实验数据进行建模预测，获得足够的数据来对系统进行下一步的分析。针对此问题，以灰色理论为基础，在非等间距GM（1，1）灰色预测模型的基础上，首先加入残差校正模型来提高预测精度，同时对于原始数据具有周期性的情形，建立周期补偿序列，最终建立起了带周期校正的灰色残差数据预测模型。最终的实验结果表明，该模型在用于对周期性数据的预测时，准确率相对于不带周期校正的预测模型有所提高。

主要介绍了tensorflow实现残差网络方式(mnist数据集)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

MultiPoseNet: 使用姿态残差网络进行快速多人姿态估计

针对采用灰色神经网络预测瓦斯浓度时部分预测值精度不高的问题,提出用马尔科夫模型对三阶灰色神经网络模型预测结果进行修正的方法;介绍了灰色神经网络模型的建立和马尔科夫修正残差方法,并采用该方法对某煤矿不同时间、不同地点的瓦斯浓度进行分析预测。实际应用结果表明,经马尔科夫残差修正后的瓦斯浓度预测值与实测值的最大相对误差从14%减小到6%,修正后的瓦斯浓度变化曲线更接近实际瓦斯浓度变化趋势。

本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果**图像分类识别系统**。 项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。主要功能如下： - 数据预处理，生成用于输入TensorFlow模型的TFRecord的数据。 - 模型构建及训练，使用tensorflow.keras构建深度残差网络。 - 预测水果分类并进行模型评估。 ***如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。*** 博主也参考过网上图像分类的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个预测系统即可。 **本文只会告诉你如何快速搭建一个基于ResNet的图像分类系统并运行，原理的东西可以参考其他博主**。 也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。 如果您有以上想法，那就找对地方了！

结合VGG和残差网络实现工业零件的缺陷检测，基于keras和tensorflow可以直接运行使用