深度残差收缩网络（五）实验验证

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://www.cnblogs.com/yc-9527/p/11598844.html

深度残差收缩网络：（二）整体思路 https://www.cnblogs.com/yc-9527/p/11601322.html

深度残差收缩网络：（三）网络结构 https://www.cnblogs.com/yc-9527/p/11603320.html

深度残差收缩网络：（四）注意力机制下的阈值设置 https://www.cnblogs.com/yc-9527/p/11604082.html

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

https://ieeexplore.ieee.org/document/8850096