深度殘差收縮網路：（五）實驗驗證

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