深度殘差收縮網路：（二）整體思路

其實，這篇文章的摘要很好地總結了整體的思路。一共四句話，非常簡明扼要。

我們首先來翻譯一下論文的摘要：

第一句：This paper develops new deep learning methods, namely, deep residual shrinkage networks, to improve the feature learning ability from highly noised vibration signals and achieve a high fault diagnosing accuracy.

翻譯：本文提出了新的深度學習方法，即深度殘差收縮網路，來提高深度學習演算法從強噪聲訊號中學習特徵的能力，並且取得較高的故障診斷準確率。

解釋：不僅明確了所提出的方法（深度殘差收縮網路），而且指出了面向的訊號型別（強噪聲訊號）。

第二句：Soft thresholding is inserted as nonlinear transformation layers into the deep architectures to eliminate unimportant features.

翻譯：軟閾值化作為非線性層，嵌入到深度神經網路之中，以消除不重要的特徵。

解釋：深度殘差收縮網路是ResNet的改進。這裡解釋了深度殘差收縮網路與ResNet的第一點不同之處——引入了軟閾值化。

第三句：Moreover, considering that it is generally challenging to set proper values for the thresholds, the developed deep residual shrinkage networks integrate a few specialized neural networks as trainable modules to automatically determine the thresholds, so that professional expertise on signal processing is not required.

翻譯：更進一步地，考慮到軟閾值化中的閾值是難以設定的，本文所提出的深度殘差收縮網路，採用了一個子網路，來自動地設定這些閾值，從而避免了訊號處理領域的專業知識。

解釋：這句話點明瞭本文的核心貢獻。本文不僅在網路模型中引入了軟閾值化，而且給出了自動設定閾值的方式。

第四句：The efficacy of the developed methods is validated through experiments with various types of noise.

翻譯：該方法的有效性透過不同噪聲下的實驗得到了驗證。

解釋：實驗驗證部分考慮了不同種類噪聲的影響。

總結：深度殘差收縮網路=ResNet+軟閾值化+自動設定閾值。

上一篇的內容：

深度殘差收縮網路：（一）背景知識 https://www.cnblogs.com/yc-9527/p/11598844.html

原文的連結：

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