الملخص (Abstract)
تتناول هذه المقالة تطوير طرق جديدة في التعلم العميق (Deep Learning)، وتحديداً “شبكات الانكماش المتبقية العميقة” (Deep Residual Shrinkage Networks)، بهدف تحسين القدرة على تعلم السمات (feature learning) من إشارات الاهتزاز المشوبة بضوضاء عالية، وتحقيق دقة فائقة في تشخيص الأعطال (fault diagnosis). تم إدراج تقنية “العتبة الناعمة” (Soft Thresholding) كطبقات تحويل غير خطية داخل البنى العميقة للشبكة للتخلص من السمات غير المهمة. وعلاوة على ذلك، ونظراً للتحدي المتمثل في تحديد القيم المناسبة للعتبات يدوياً، تدمج الشبكات المطورة بضع شبكات عصبية متخصصة كوحدات قابلة للتدريب لتحديد العتبات تلقائياً، مما يلغي الحاجة إلى الخبرة التخصصية في معالجة الإشارات. وقد تم التحقق من فعالية الطرق المبتكرة من خلال تجارب أجريت على أنواع مختلفة من الضوضاء.
الأثر الأكاديمي (Academic Impact)
حصلت هذه الورقة البحثية على أكثر من 1400 استشهاد على Google Scholar.
ووفقاً لتقديرات متحفظة، تم استخدام شبكات (DRSN) في أكثر من 1000 منشور علمي. وقد قامت هذه الأعمال إما بتطبيق الشبكة بشكل مباشر أو البناء عليها لتحسينها في مجموعة واسعة من المجالات، بما في ذلك الهندسة الميكانيكية، والطاقة الكهربائية، والرؤية الحاسوبية (Computer Vision)، والرعاية الصحية، ومعالجة الكلام، وتحليل النصوص، والرادار، والاستشعار عن بعد.
Reference (المراجع)
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}
}