论文网址 M. Zhao, S. Zhong, X. Fu, et al., Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, DOI: 10.1109/TII.2019.2943898 https://ieeexplore.ieee.org/document/8850096

深度残差收缩网络应用于故障诊断(python) Deep Residual Shrinkage Networks for Intelligent Fault Diagnosis（pytorch） 深度收缩残差网络的pytorch版本的完整实现。 数据集为江南大学轴承数据集。

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

提出一种冗余节点休眠调度算法来延长网络生命周期。调度过程中重点考虑两方面问题:一是采取策略防止大量节点同时从工作状态转入休眠状态以防止大量盲区同时产生;二是根据邻居表中节点的工作邻居数量,判定节点是否处于网络边界,对边界节点和内部节点采用不同的调度策略,防止边界收缩。仿真结果表明,算法能有效延长无线传感器网络的生命周期。