深度殘差學習筆記：Deep Residual Networks with Dynamically Weighted Wavelet

深度殘差學習筆記：

Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes

這篇文章將深度學習演算法應用於機械故障診斷，採用了“小波包分解+深度殘差網路(ResNet)”的思路，將機械振動訊號按照故障型別進行分類。

文章的核心創新點：複雜旋轉機械系統的振動訊號包含著很多不同頻率的衝擊和振盪成分，而且不同頻帶內的振動成分在故障診斷中的重要程度經常是不同的，因此可以按照如下步驟設計深度神經網路，實現對不同頻帶資訊自適應加權的功能。

第一步：對振動訊號進行離散小波包分解，構建小波包係數矩陣，作為深度學習演算法的輸入。

第二步：作者設計了一種動態加權層(dynamic weighting layer，簡稱dynamic)，實際上是一種逐行加權層，對每一行施加不同的權重。其中，動態加權層的權重與深度殘差網路中其他權重一樣，都初始化為隨機數，並且在訓練過程中進行更新。

第三步：將動態加權層嵌入深度殘差網路的內部，形成了如下的深度學習模型。其中m表示卷積核的數量。

M. Zhao, M. Kang, B. Tang, M. Pecht, “Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault Diagnosis of Planetary Gearboxes,” IEEE Transactions on Industrial Electronics, vol. 65, no. 5, pp. 4290-4300, 2018.

https://ieeexplore.ieee.org/document/8066359

原文地址：https://www.cnblogs.com/super-9527/p/10014622.html