深度残差收缩网络：（二）整体思路

深度残差收缩网络（Deep Residual Shrinkage Network）是深度残差学习（Deep Residual Network, ResNet）的一种改进，发表在IEEE Transactions on Industrial Informatics上，面向的是数据包含噪声的情况。

其实，这篇文章的摘要很好地总结了整体的思路。一共四句话，非常简明扼要。

我们首先来翻译一下论文的摘要：

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.

翻译：本文提出了新的深度学习方法，即深度残差收缩网络，来提高深度学习算法从强噪声信号中学习特征的能力，并且取得较高的故障诊断准确率。

解释：不仅明确了所提出的方法（深度残差收缩网络），而且指出了面向的信号类型（强噪声信号）。

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

翻译：软阈值化作为非线性层，嵌入到深度神经网络之中，以消除不重要的特征。

解释：深度残差收缩网络是ResNet的改进。这里解释了深度残差收缩网络与ResNet的第一点不同之处——引入了软阈值化。

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.

翻译：更进一步地，考虑到软阈值化中的阈值是难以设定的，本文所提出的深度残差收缩网络，采用了一个子网络，来自动地设置这些阈值，从而避免了信号处理领域的专业知识。

解释：这句话点明了本文的核心贡献。本文不仅在网络模型中引入了软阈值化，而且给出了自动设置阈值的方式。

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

翻译：该方法的有效性通过不同噪声下的实验得到了验证。

解释：实验验证部分考虑了不同种类噪声的影响。

总结：深度残差收缩网络=ResNet+软阈值化+自动设置阈值。

上一篇的内容：

深度残差收缩网络：（一）背景知识 https://www.cnblogs.com/yc-9527/p/11598844.html

原文的链接：

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