深度殘差收縮網路:(五)實驗驗證

天真作少年發表於2019-12-20

實驗部分將所提出的兩種深度殘差收縮網路,即“通道之間共享閾值的深度殘差收縮網路(Deep Residual Shrinkage Networks with Channel-shared Thresholds,簡稱DRSN-CS)”,和“逐通道不同閾值的深度殘差收縮網路(Deep Residual Shrinkage Networks with Channel-wise Thresholds,簡稱DRSN-CW)”,與傳統的卷積神經網路(Convolutional Neural Networks, ConvNet)和深度殘差網路(Deep Residual Networks, ResNet)進行了對比。實驗資料是齒輪箱在八種健康狀態下的振動訊號,分別新增了不同程度的高斯噪聲、Laplacian噪聲和Pink噪聲。

在不同程度的高斯噪聲下的實驗結果(左邊是訓練準確率,右邊是測試準確率):

在不同程度的Laplacian噪聲下的實驗結果(左邊是訓練準確率,右邊是測試準確率):

在不同程度的Pink噪聲下的實驗結果(左邊是訓練準確率,右邊是測試準確率):

可以看到,在噪聲越強的時候,即訊雜比(Signal-to-Noise Ratio, SNR)為-5dB的時候,相較於ConvNet和ResNet的效果提升最為明顯。在噪聲較弱的時候,DRSN-CS和DRSN-CW的準確率也很高,這是因為DRSN-CS和DRSN-CW可以自適應地設定閾值。

前四篇的內容:

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

深度殘差收縮網路:(二)整體思路 https://www.cnblogs.com/yc-9527/p/11601322.html

深度殘差收縮網路:(三)網路結構 https://www.cnblogs.com/yc-9527/p/11603320.html

深度殘差收縮網路:(四)注意力機制下的閾值設定 https://www.cnblogs.com/yc-9527/p/11604082.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


來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69957925/viewspace-2669642/,如需轉載,請註明出處,否則將追究法律責任。

相關文章