深度残差收缩网络
深度残差收缩网络是深度残差网络(ResNets)的一种变体,旨在提高高噪声信号或复杂背景下的特征学习能力。 尽管该方法最初是为基于振动的故障诊断而开发的,但也可以应用于图像识别和语音识别。 主要的创新是将软阈值作为非线性转换层集成到ResNets中。 此外,阈值是由专门设计的子网自动确定的,因此不需要专业的专家来确定阈值。
该方法使用TensorFlow 1.0.1,TFLearn 0.3.2和Keras 2.2.1实现,并应用于图像分类。 代码中构造了一个带有3个剩余收缩块的小型网络。 可以使用更多的块和更多的训练迭代来获得更高的性能。
抽象的:
本文提出了一种新的深度学习方法,即深度残差收缩网络,以提高来自高噪声振动信号的特征学习能力,并实现较高的故障诊断精度。 将软阈值作为非线性转换层插入到深层体系结构中,以消除不重要的功能。 此外,考虑到为阈值设置适当的值通常
2022-03-21 16:22:52
6.83MB
Python
1