深度残差收缩网络
-
论文主要贡献
- 拟解决问题
在处理强噪声振动信号的时候，深度残差网络的特征学习能力经常会降低。深度残差网络中的卷积核，其实就是滤波器，在噪声的干扰下，可能不能检测到故障特征。 - 解决思路
本文提出了两种深度残差收缩网络，即通道间共享阈值的深度残差收缩网络、通道间不同阈值的深度残差收缩网络，来提高从强噪声振动信号中学习特征的能力，最终提高故障诊断准确率。
本文效果的三大法宝：1–使用残差结构加深模型，并且可以让模型自行选择是否需要更新参数；2–在残差模块中构建分支结构，嵌套两层卷积神经网络，自适应寻找合适的阈值；3–使用软阈值化消除噪声。在软阈值化中，共考虑了两种阈值，也就是通道间共享的阈值、通道间不同的阈值。这也是所提出方法名称的由来。
如图（a）所示，该方法为通道间共享的阈值，文中命名为DRSN-CS（residual shrinkage building unit with channel-shared thresholds）。在这个特殊模块中，全局均值池化被应用在特征图的绝对值上面，来获得一维向量。然后，这个一维向量被输入到一个两层的全连接网络中，来获得一个尺度化参数。Sigmoid函数将这个尺度化参数规整到零和一之间。然后，这个尺度化参数，乘以特征图的绝对值得平均值，作为阈值。一定数量的RSBU-CS被堆叠起来，从而噪声相关的特征被逐渐削减。另一个优势在于，阈值是自动学习得到的，而不是由专家手工设置的，所以在实施通道间共享阈值的深度残差收缩网络的时候，不需要信号处理领域的专业知识。
如图（b）所示，该方法为通道间不同的阈值，文中命名为DRSN-CW（residual shrinkage building unit with channel-wise thresholds）。与通道间共享阈值的深度残差收缩网络的区别在于，特征图的每个通道有着自己独立的阈值。通道间不同阈值的残差模块如图4?所示。特征图x首先被压缩成了一个一维向量，并且输入到一个两层的全连接层中。全连接层的第二层有多于一个神经元，并且神经元的个数等于输入特征图的通道数。全连接层的输出被强制到零和一之间。之后计算出阈值。
- 拟解决问题
-
必要背景知识
- 残差网络
目的：采用特殊设计的子网络，来自适应地设置阈值，从而每段振动信号都有着自己独特的一组阈值。
过程：残差构建模块包含了两个批标准化、两个整流线性单元、两个卷积层和一个恒等路径。恒等路径是让深度残差网络优于卷积神经网络的关键。交叉熵损失函数的梯度，在普通的卷积神经网络中，是逐层反向传播的。当使用恒等路径的时候，梯度能够更有效地流回前面的层，从而参数能够得到更有效的更新。
理解：A-残差网络可以使深度梯度回传更加顺畅，因为有一路是恒等映射，一定可以保证梯度为1，防止梯度消失。
B-残差网络设计类似于LSTM结构，可以把卷积网络输出理解为遗忘门，且该输出允许为0，这样可以使模型自己判断该层是需要更新还是保持原输出。避免模型加深，参数爆炸，效果更差。有时候什么都不做一样重要，不训练就可以保证信息无损失， - 软阈值化
目的：软阈值化（也就是一种流行的收缩方程）作为非线性层，被嵌入深度结构之中，以有效地消除噪声相关的特征。
过程：正向传播阶段，其效果如图（a）所示。
反向传播阶段，导数为1或0，这一设计降低模型复杂度，且保证随模型加深，梯度不会消失，其效果如图（b）所示。
- 残差网络
-
模型改进思路
参考本文模型+CVPR2017最佳论文，DenseNet，理论上可以对结构进行优化。本文模型为基本的残差网络模型，仅考虑残差块内的联系，并未考虑残差块之间的关系。而DenseNet可以让同尺度的残差块之间，学习到同样的输入，以保证信息传递的有效性，其结构如下所示。
改进思路-1，在本文提出的新型残差模块间实现DenseNet模型。
改进思路-2，将本文残差模块拆分，仅保留软阈值化部分，逐层实现DenseNet模型。
理论上，上述两模型在保证去噪效果的同时，可以增加模型的深度，对已知故障识别性能有提升。
