-
编辑 删除
故障诊断为什么要用深度学习?
故障诊断入门级选手提个问题，振动信号分析直接做频谱分析就好了，为啥需要人工智能? - amaze2的回答 - 知乎https://www.zhihu.com/question/332473558/answer/1349385215对于简单的机械设备，比如一级平行齿轮箱，信号比较简单，直接频谱分析就可以满足需求。但是，如果是复杂的设备，比如多级行星齿轮传动、强环境噪声、而且故障处在早期阶段、比较微弱
-
编辑 删除
深度学习领域的论文应该怎么写，可以提供一些方向吗？
深度学习领域的论文应该怎么写，可以提供一些方向吗？ - amaze2的回答 - 知乎https://www.zhihu.com/question/62856316/answer/1334526180来点干货。通常的注意力机制算法，都是对特征进行加权，例如Squeeze-and-Excitation Network。对于含噪声的样本，可以考虑将“特征加权”替换成“软阈值化”。例如，残差收缩网络[1]
-
编辑 删除
注意力机制目前有什么缺点和改进空间？
Attention mechanism目前有什么缺点和改进空间? - Hi-202020的回答 - 知乎https://www.zhihu.com/question/305644438/answer/1326832748 现有的注意力机制，似乎都是“加权”的形式，如下图残差收缩网络将“加权”替换成了“软阈值化”：软阈值化在信号降噪算法中很常用。通过引入软阈值化，残差收缩网络应该有利于应对强噪数据。
-
编辑 删除
请问，深度残差网络已经那么厉害，让我们改进图片分类的研究生从哪里创新？
请问，深度残差网络已经那么厉害，让我们改进图片分类的研究生从哪里创新？ - amaze2的回答 - 知乎https://www.zhihu.com/question/265693414/answer/1314522101 也许可以从其他领域的深度学习方法，获取一些灵感。例如，残差收缩网络是残差网络ResNet的一种改进，原本是用在含噪振动信号上，开展旋转机械的故障诊断。首先，残差收缩网络就是将信号
