共计 868 个字符，预计需要花费 3 分钟才能阅读完成。
CNN 有没有比拟新的变体能够进步模型准确度呢？– amaze2 的答复 – 知乎 https://www.zhihu.com/question/397944899/answer/1314983195
刚好能够介绍一种一维 CNN 模型，叫做深度残差膨胀网络 Deep residual shrinkage networks。
深度残差膨胀网络本来是利用在基于一维振动信号的故障诊断，是 Squeeze-and-Excitation Network (SENet) 的一种改良。
SENet 的根底模块如下图：
深度残差膨胀网络把 SENet 中的加权，改成了软阈值化，从而深度残差膨胀网络的根底模块和整体构造如下：
那么为什么要把加权替换成软阈值化呢？这是因为，软阈值化是许多降噪算法的外围步骤。在集成了软阈值化之后，深度残差膨胀网络更加实用于强噪声的数据。
文献：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.
参考链接：
[1] python 程序
https://github.com/zhao62/Deep-Residual-Shrinkage-Networks
[2] 10 分钟看懂深度残差膨胀网络
https://www.cnblogs.com/uizhi/p/12239690.html
[3]【深度残差膨胀网络】从删除冗余特色时的灵活性进行探讨
https://blog.csdn.net/ABCD_202020/article/details/105801032
[4] 深度残差膨胀网络_百度百科
https://baike.baidu.com/item/%E6%B7%B1%E5%BA%A6%E6%AE%8B%E5%B7%AE%E6%94%B6%E7%BC%A9%E7%BD%91%E7%BB%9C
