Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht
Περίληψη:
Το παρόν άρθρο αναπτύσσει νέες μεθόδους βαθιάς μάθησης (deep learning), και συγκεκριμένα τα βαθιά υπολειπόμενα δίκτυα συρρίκνωσης (Deep Residual Shrinkage Networks), με στόχο τη βελτίωση της ικανότητας εκμάθησης χαρακτηριστικών από σήματα δονήσεων με υψηλό επίπεδο θορύβου, καθώς και την επίτευξη υψηλής ακρίβειας στη διάγνωση βλαβών. Η ήπια κατωφλίωση (soft thresholding) εισάγεται ως επίπεδο μη γραμμικού μετασχηματισμού στις βαθιές αρχιτεκτονικές για την εξάλειψη ασήμαντων χαρακτηριστικών. Επιπλέον, λαμβάνοντας υπόψη ότι ο καθορισμός των κατάλληλων τιμών για τα κατώφλια είναι γενικά δύσκολος, τα εν λόγω δίκτυα ενσωματώνουν ορισμένα εξειδικευμένα νευρωνικά δίκτυα ως εκπαιδεύσιμες μονάδες για τον αυτόματο προσδιορισμό των κατωφλίων, ώστε να μην απαιτείται εξειδικευμένη γνώση επεξεργασίας σήματος. Η αποτελεσματικότητα των αναπτυγμένων μεθόδων επικυρώνεται μέσω πειραμάτων με διάφορους τύπους θορύβου.
Ακαδημαϊκός Αντίκτυπος
Η παρούσα εργασία έχει λάβει πάνω από 1.400 αναφορές στο Google Scholar.
Σύμφωνα με συντηρητικές εκτιμήσεις, τα Deep Residual Shrinkage Networks (DRSN) έχουν χρησιμοποιηθεί σε περισσότερες από 1.000 δημοσιεύσεις. Οι εργασίες αυτές είτε εφάρμοσαν άμεσα είτε βελτίωσαν το δίκτυο σε ένα ευρύ φάσμα πεδίων, συμπεριλαμβανομένης της μηχανολογίας, της ηλεκτρικής ενέργειας, της υπολογιστικής όρασης (computer vision), της υγειονομικής περίθαλψης, της επεξεργασίας ομιλίας, της ανάλυσης κειμένου, των ραντάρ και της τηλεπισκόπησης.
Βιβλιογραφική Αναφορά
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}
}