Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht
摘要 (Abstract)
本文開發了一種新的深度學習方法，即「深度殘差收縮網絡」(Deep Residual Shrinkage Networks, DRSN)，旨在提升從高噪音震動訊號 (vibration signals) 中學習特徵的能力，並實現高準確度的故障診斷。我們將軟閾值化 (Soft thresholding) 作為非線性變換層嵌入到深度架構中，以剔除不重要的特徵。此外，鑑於設定合適的閾值通常具有挑戰性，所開發的 DRSN 整合了一些專門的神經網絡作為可訓練模組 (trainable modules) 來自動確定閾值，因此使用者無需具備訊號處理的專業知識。透過針對各類噪音的實驗，我們驗證了該方法的成效。
學術影響 (Academic Impact)
本文在 Google Scholar 上已錄得超過 1,400 次引用。
據保守估計，深度殘差收縮網絡 (DRSN) 已被應用於超過 1,000 篇文獻中。這些研究涵蓋機械工程、電力、電腦視覺 (Computer Vision)、醫療保健、語音處理、文本分析、雷達及遙感等廣泛領域，當中包括直接應用或對該網絡進行改良。
參考文獻 (Reference)
Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690.
https://ieeexplore.ieee.org/document/8850096
BibTeX
@article{Zhao2020,
author = {Minghang Zhao and Shisheng Zhong and Xuyun Fu and Baoping Tang and Michael Pecht},
title = {Deep Residual Shrinkage Networks for Fault Diagnosis},
journal = {IEEE Transactions on Industrial Informatics},
year = {2020},
volume = {16},
number = {7},
pages = {4681-4690},
doi = {10.1109/TII.2019.2943898}
}