实验部分将所提出的两种深度残差收缩网络,即“通道之间共享阈值的深度残差收缩网络(Deep Residual Shrinkage Networks with Channel-shared Thresholds,简称DRSN-CS)”,和“逐通道不同阈值的深度残差收缩网络(Deep Residual Shrinkage Networks with Channel-wise Thresholds,简称DRSN-CW)”,与传统的卷积神经网络(Convolutional Neural Networks, ConvNet)和深度残差网络(Deep Residual Networks, ResNet)进行了对比。实验数据是齿轮箱在八种健康状态下的振动信号,分别添加了不同程度的高斯噪声、Laplacian噪声和Pink噪声。
在不同程度的高斯噪声下的实验结果(左边是训练准确率,右边是测试准确率):
在不同程度的Laplacian噪声下的实验结果(左边是训练准确率,右边是测试准确率):
在不同程度的Pink噪声下的实验结果(左边是训练准确率,右边是测试准确率):
可以看到,在噪声越强的时候,即信噪比(Signal-to-Noise Ratio, SNR)为-5dB的时候,相较于ConvNet和ResNet的效果提升最为明显。在噪声较弱的时候,DRSN-CS和DRSN-CW的准确率也很高,这是因为DRSN-CS和DRSN-CW可以自适应地设置阈值。
前四篇的内容:
深度残差收缩网络:(一)背景知识
https://blog.csdn.net/oHangZi/article/details/103621132
深度残差收缩网络:(二)整体思路
https://blog.csdn.net/oHangZi/article/details/103621670
深度残差收缩网络:(三)网络结构
https://blog.csdn.net/oHangZi/article/details/103621767
深度残差收缩网络:(四)注意力机制下的阈值设置
https://blog.csdn.net/oHangZi/article/details/103621889
原文的链接:
M. Zhao, S. Zhong, X. Fu, B. Tang, and M. Pecht, “Deep Residual Shrinkage Networks for Fault Diagnosis,” IEEE Transactions on Industrial Informatics, 2019, DOI: 10.1109/TII.2019.2943898