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

注意力机制使用；卷积神经网络的变体keras实现

堆场烟雾检测对于火灾预警、保障人员与财产安全具有重要意义。针对传统烟雾检测方法特征提取不充分，误报率偏高以及稳健性较差的问题，提出一种基于并行深度残差网络的堆场烟雾检测方法。该方法利用目标场景烟雾RGB图像的R、G、B分量以及图像HSI变换的H、S、I分量构建并行深度残差网络，自适应获得烟雾特征；同时通过样本扩边、负样本强化学习策略来加强模型对类烟物体的判别能力。实验结果表明，该算法能有效降低因类烟物体产生的误报率，且提升了网络的检出率和稳健性。

使用tensorflow简单实现了残差网络的block模块以及 bottleneck模块，并在cifar-10数据集上进行了简单测试

基于KPCA残差方向梯度的故障检测方法及应用.pdf,针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题，提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质，对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化，提出一种新的KPCA残差方向梯度算法，在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明，改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力，还极大地减小了计算量，缩短了计算时间。大型热力系统的应用进一步表明，无论对于单故障和多故障的情况，方法均具有较好的故障检测能力，并且不存在残差污染，易于工程实现。

3．残差分析，作残差图： rcoplot(r,rint) 从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点. 4．预测及作图： z=b(1)+b(2)* plot(x,Y,'k+',x,z,'r') 返回 To MATLAB(liti12)

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

多元回归-最小二乘法-残差分析笔记 一.多元线性回归模型的假设 我们需要进行以下六个假设，这些假设是经典的多元线性回归模型有效的前提： 1、因变量Y和自变量X1，X2，…，Xk之间的关系是线性的。 2、自变量（X1，X2，…，Xk）不是随机的。而且，两个或多个自变量之间不存在精确的线性关系。 3、以自变量为条件的残差的期望值为0：E（ε|X1，X2，…，Xk）=0。 4、残差项的方差对于所有观察值都是相同的：E（εi2）=σε2。 5、残差项在各个观测值之间是不相关的：E（εiεj）=0，j≠i。 6、残差项是正态分布的。 二.计量经济学中的普通最小二乘法（OLS）的4个基本假设条件分别为：