共计 812 个字符，预计需要花费 3 分钟才能阅读完成。
时域振动信号的故障提取用什么深度学习模型更好？– amaze2 的答复 – 知乎 https://www.zhihu.com/question/54308329/answer/1316503837
个人感觉卷积神经网络更适宜时域振动信号。
卷积神经网络有很多变体，比方残差网络 ResNet、密集连贯卷积网络 DenseNet、Squeeze-and-Excitation Network 和深度残差膨胀网络。
其中，深度残差膨胀网络在它的原始论文（https://ieeexplore.ieee.org/document/8850096/）里，就是利用在振动信号上的，针对的是振动信号中噪声较多的状况，基本原理图如下：
软阈值化就是用来删除一部分特色 / 保留一部分特色的。
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.
[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
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
[4]. 深度残差膨胀网络：从删除冗余特色时的灵便水平进行探讨
https://my.oschina.net/u/4505302/blog/3230965