基于时间卷积网络残差校正的短期风电功率预测

为提高短期风电功率预测的准确性,提出一种基于时间卷积网络残差校正模型的短期风电功率预测方法。首先,采取自适应噪声完备集合经验模态分解算法分离出风电功率的局部特征信息,以网格搜索与交叉验证算法优化的支持向量回归模型对各分量进行预测。然后,构建时间卷积网络残差预测模型,并使用灰色关联度分析方法选择输入特征,对支持向量回归预测结果进行校正。最后,基于提出的模型对某风电场实际运行功率进行预测并与其他方法的预测精度进行比较,结果表明,该文所提方法提高了短期风电功率预测的精度。

基于麻雀搜索算法优化Elman残差自校正地面沉降预测模型

地面沉降是一种常见的地质灾害,严重阻碍当地居民的生产生活,如何对地面沉降进行准确预测已经成为相关专家学者讨论的热点话题,但常规数学模型难以对地面沉降量做出准确预测。提出了麻雀搜索算法(sparrow search algorithm,SSA)优化Elman的地面沉降量预测方法,同时根据组合模型原理提出了SSA-Elman残差自校正(SSA-Elman residual self-correction,SSA-Elman-RSC)模型的策略,通过残差校正的方式降低神经网络预测误差,成功地将地面沉降量预测模型应用于山西省大同市潇河产业园,将预测结果与未进行残差修正的模型预测结果进行比较分析。结果表明,对于均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)3个指标,SSA-Elman-RSC拥有更高的精度。该模型的提出为山西地区地面沉降量预测提供了一种新方法,并且组合模型的建立提供了一种新思路。

基于残差编解码网络的畸变图像校正研究

由于传统的畸变图像校正方法校正时间较长且校正后的图像分辨率较低,导致校正后的畸变图像难以应用,为此,提出基于残差编解码网络的畸变图像校正研究。基于光学镜头参数将畸变图像划分成三种类型,采取逐行逐列扫描法提取畸变图像的有效区域,利用阈值法将畸变图像分割为目标区域和背景区域,通过畸变率的计算量化图像畸变的程度,基于残差编解码网络训练的双三次插值校正算法对畸变图像进行校正。选取6张不同尺寸的畸变图像进行对比实验,研究方法较其他传统方法提取畸变图像有效区域的时间更短且仅需0.68s、有效区域半径的误差值更小且仅有5.58px;研究方法校正后的图像分辨率更高且提升了443.53PPI,所以研究方法的校正能力较强,能够满足畸变图像的校正需求。

基于神经网络的非线性滤波残差估计非均匀校正算法

目前由于非均匀性技术的限制,红外焦平面阵列具有条纹非均匀性,这种非均匀性一般是一种固定的模式噪声,它会在原有非均匀性的基础上随着时间和温度的变化而变化。传统的残差计算忽略了非均匀性的特点,场景细节的变化会被误认为非均匀性而被过滤掉。提出了一种基于场景的条纹非均匀性校正算法。该方法采用非线性滤波的方法滤除单柱图像的非均匀性,并计算与原始图像的实际残差,然后利用前一帧的预测残差和实际残差得到当前残差。最后,根据场景鬼影抑制参数自适应校正计算增益系数和偏置系数。实验结果表明,提出的算法在200帧测试图像中滤除了61.3%的非均匀性,与其他自适应校正算法相比,非均匀性校正效果更明显,并且在一定程度上有效地保护了图像边缘,收敛速度快,质量高,能有效去除列条纹和非均匀随机噪声。

基于Retinex-Net网络模型的渐晕图像校正

相机成像过程中会因为视角变化而产生渐晕效应,使图像出现中间亮、四周暗的现象。渐晕的存在使图像丢失部分边缘纹理信息,极大地影响机器视觉处理的性能。针对此问题,本文从校正图像清晰度和提高去噪性能两方面入手,对Retinex-Net网络模型进行改进。首先,在原模型基础上添加空洞卷积,以保持校正图像的高分辨率并扩大感受野。其次,将图像去噪改进为密集残差网络的方式,目的是密集提取渐晕图像的每一层特征,更多地保留图像的细节特性并抑制噪声。最后,构建了渐晕图像的数据集,并将本文提出的算法在测试集上进行校正性能验证。本文算法与改进前的原网络模型相比较,SSIM值提升了0.293,PSNR值提升了0.727,RMSE值降低了0.095。相较于最小化图像熵、自适应补偿Retinex、基于径向梯度对称性等校正算法,本文算法具有更好的校正性能,并且在视觉上更适合观察和理解。

带周期校正的灰色残差预测模型

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。

基于残差编解码网络的红外图像自适应校正算法

针对基于场景的非均匀性校正算法存在非均匀性残余和鬼影等问题,本文提出了一种基于残差编解码网络的红外图像自适应算法。该算法针对自适应校正问题的特点,基于UNet结构,通过多尺度采样学习残差映射生成非均匀性残差图像,加入批标准化和PReLU激活函数提高校正效果,最后使用全局跳跃连接得到最终的校正结果。通过对模拟红外图像序列和真实红外图像序列校正的实验结果表明,相对于目前已有的非均匀性校正算法,该方法在PSNR(Peak Signal to Noise Ratio)和粗糙度的客观数据上都有所提升,主观视觉效果也更加清晰,细节保留程度高。

焦平面红外成像设备非均匀性校正残差分析

非均匀性是焦平面红外成像设备的固有特性,影响成像质量。介绍了非均匀性产生的原因、校正方法及校正残差的描述方法。从理论上分析计算了不同校正方法的校正残差及其变化规律。并针对某VOx非制冷热像仪实测图像数据计算了不同校正方法、不同温度下的校正残差大小,得出在使用单点校正方法测量时尽量将校正温度点选在测量对象温度(等效黑体温度)分布的中间位置及使用两点校正时校正温度尽量设置在测量对象温度区域(等效黑体温度)两侧的结论。

基于初至残差的最小二乘法高频静校正技术及应用

折射静校正和层析静校正是利用初至时间反演近地表速度模型,解决复杂山地地区的低频静校正问题,由于受偏移距范围、迭代次数和反演精度等因素的影响,由反演模型求解的静校正量残留高频静校正量,影响地震资料的成像质量。针对这个问题,这里提出了基于初至残差的最小二乘法高频静校正技术。假设初至残差就是炮点和检波点高频静校正量,通过最小二乘法构建方程,采用矩阵迭代法求解即可获得炮点和检波点高频静校正量。实际资料的应用结果表明,该方法原理可行、计算稳定快速,可以在折射法或层析法静校正的基础上显著改善地震资料的成像质量。

基于残差校正系数的灰色模型月度负荷预测

本文分析了采用GM（1，1）灰色模型预测技术应用在月度负荷预测中存在的问题，提出了基于残差校正的灰色模型预测方法。通过大量样本试验得出结论，引入偏差校正系数的灰色模型预测方法可以有效应用于月度负荷预测，既具有灰色模型建模相对简单的特点，也满足了预测精度的要求，具有较好的应用效果。

基于残差编解码网络的CT图像金属伪影校正

金属伪影校正对提高CT图像清晰度具有重要意义。针对金属伪影校正研究中伪影消除不彻底、组织结构缺失等问题,提出一种基于残差编解码网络的金属伪影去除(RED-CNN-MAR)方法。首先,使用RED-CNN网络实现由金属伪影图像到无金属伪影图像的端到端映射,在卷积层之后引入BN层提高网络训练精度和加快收敛速度;并且将原始图像、线性插值(LI)图像、射束硬化校正(BHC)图像作为RED-CNN网络的三通道输入,以融合不同校正方法的优势。接着,对该网络的输出图像在投影域进一步做组织处理;最后利用滤波反投影重建得到校正后的无金属伪影图像。经实验分析,经过RED-CNN-MAR方法校正后的图像RMSE减小了0.000 7,PSNR和SSIM分别提高了0.59 dB、0.002 8。实验结果表明,该方法可以有效地抑制金属伪影,重建出清晰的结构细节。

基于SSA-BPNN-ARIMA残差校正的变压器套管温度预测

针对于变压器套管温度预测,提出了一种残差校正模型,选择差分自回归移动平均模型挖掘温度序列中的线性变化规律并对未来温度值进行预测,同时提取出预测值的残差量用于训练反馈神经网络,挖掘残差量的非线性变化规律,对未来残差量进行预测,用以校正差分自回归移动平均模型的温度预测值。在训练反馈神经网络时,使用麻雀搜索算法对其进行优化,改善了训练时易陷入局部最优的缺点。最后,通过实际算例与单一模型和简单加权组合模型进行对比,结果表明,所提残差校正模型相较于另3种模型,预测精度与稳定性有明显的提高。

基于偏振度优化与大气光校正的图像去雾

为提高偏振去雾算法对雾气场景的恢复能力,提出一种偏振度优化与大气光校正的偏振图像去雾算法。首先,依据雾气场景亮度分布,使用导向滤波将雾气图像分解为亮面残差和暗面残差;其次,扩大亮面残差对应的偏振度值,削减暗面残差对应的偏振度值以优化偏振度,该偏振度可将大气光图像模糊;最后,利用偏振度在亮面和暗面残差上的差异,对大气光强度进行校正,以使其随雾气的变化规律满足大气退化模型。实验结果表明:本文算法的去雾图像相较原雾气图像,对比度提高3.07倍、信息熵提高9.21%、标准差提高61.86%。且在不同浓度模拟雾气环境中,本文算法都有较为优异的SSIM、PSNR和CIEDE2000。相较于现有先进图像去雾算法,本文算法去雾效果明显,可以有效地复原雾气中场景的细节信息。

洪水过程预报残差比例法实时校正模型

文章以洪水涨洪过程预报的残差信息为导向 ,建立了涨洪过程预报的校正模型。该模型不但适用于洪水过程也适用于其它(如枯季径流、地下水、水质等 )

三维荧光二阶校正法快速测定人尿样中奥沙普秦含量

利用三维荧光光谱技术,结合分别基于自加权交替三线性分解(SWATLD)和交替归一加权残差(ANWE)算法的二阶校正方法,直接快速测定人体样液中以及萘丁美酮或萘普生干扰共存下奥沙普秦的含量。利用本方法的"二阶优势",在尿液内源物质及萘丁美酮或萘普生干扰共存下有效地分辨出奥沙普秦的激发发射荧光光谱。采用SWATLD和ANWE的二阶校正方法得到的复杂背景下奥沙普秦的回收率令人满意,同时对本方法的精密度进行了研究。通过分析品质因子包括灵敏度(SEN)、选择性(SEL)、检出限(LOD)和检测量(LOQ),评估了这两种方法的性能,利用t-检验和椭圆置信区间(ECJR)统计方法对结果进行了校验。结果表明,解析准确可靠,方法快速简便,无需样品预处理,成本低廉,为临床及医药实时快速分析体液中奥沙普秦含量提供了新的定量分析方法。

三维荧光二阶校正方法快速检测香蕉中双苯三唑醇含量

利用交替三线性分解(ATLD)、交替拟合残差(AFR)和自加权交替三线性分解(SWATLD)等3种二阶校正算法分别对三维荧光光谱数据进行解析,实现了香蕉中的双苯三唑醇含量的直接快速定量测定。当被分析体系的组分数取2时,ATLD、AFR和SWATLD获得的平均回收率分别为(98.2±2.6)%、(97.6±2.1)%和(91.5±3.5)%。另外,采用椭圆置信区间测试(EJCR)和品质因子,如灵敏度(SEN)、选择性(SEL)和检出限(LOD)评估了3种算法的准确性。实验结果表明:3种算法均能成功用于直接分析香蕉中双苯三唑醇的含量。

SPM软件包头动校正原理的分析与评价

背景:头动校正是功能磁共振图像处理的一个重要步骤,也是目前应用广泛的SPM软件的第一步,其效果直接关系到结果的可靠性。目的:分析SPM软件包头动校正处理的基本原理和关键算法,包括刚体变换、高斯牛顿迭代算法和B样条插值算法。方法:使用SPM2软件包对一组实际数据进行了处理,并结合头动校正的原理,提出了头动校正效果的评价方法:残差图与残差平方和。结果与结论:使用高斯牛顿迭代算法得到优化的刚体变换参数,用B样条插值算法对须校正的图像进行重采样得到校正后图像,实现图像序列的头动校正。实验结果表明,评价指标能较好衡量算法效果。

基于数值分析的仪器系统差校正

由于电子仪器中的传感器、测量电路、放大器等部件不可避免地存在温度漂移和时间漂移,会给仪器引入零位误差和增益误差,所以不同仪器之间存在明显的系统误差。在蟠龙峰铜矿进行TEM测深时,使用了两台Phoenix公司生产的V8仪器,由于两组数据存在明显的系统差,给数据处理及异常解释带来了较大的困难。从数值分析的角度,利用最小二乘法曲线拟合,对不同仪器间的系统误差进行了校正,校正精度小于3%,远小于10%的质检精度,可以满足生产需要。在Intel Visual Fortan程度开发平台上,编程实现了系统误差的自动校正。

三维荧光二阶校正法用于复杂基体样中川芎嗪和替米沙坦的快速定量分析

采用三维荧光光谱法,结合化学计量学中基于交替归一加权残差(ANWE)算法的二阶校正方法,实现了人血浆样品中川芎嗪和替米沙坦的同时快速定量分析。当组分数N取4时,ANWE算法解析获得的川芎嗪和替米沙坦的平均回收率分别为99.3±3.5%和96.8±2.0%。本文同时给出了此方法的检测限(LOD)与定量下限(LOQ),获得了满意的实验结果。此外,用上述方法对替米沙坦片中替米沙坦的含量进行了快速测定,所得结果与液相色谱方法结果进行比较,同样获得了令人满意的实验结果。本方法可以很好地解决目标分析物之间,以及目标分析物与基体内源物质之间因光谱严重重叠所引起的难分辨问题,用"数学分离"代替或简化"物理分离"及"化学分离",实验不需对样品进行复杂预处理,简便高效,可为临床医药分析提供新思路。