實驗部分将所提出的兩種深度殘差收縮網絡，即“通道之間共享門檻值的深度殘差收縮網絡(Deep Residual Shrinkage Networks with Channel-shared Thresholds，簡稱DRSN-CS)”，和“逐通道不同門檻值的深度殘差收縮網絡(Deep Residual Shrinkage Networks with Channel-wise Thresholds，簡稱DRSN-CW)”，與傳統的卷積神經網絡(Convolutional Neural Networks, ConvNet)和深度殘差網絡(Deep Residual Networks, ResNet)進行了對比。實驗資料是齒輪箱在八種健康狀态下的振動信号，分别添加了不同程度的高斯噪聲、Laplacian噪聲和Pink噪聲。
在不同程度的高斯噪聲下的實驗結果（左邊是訓練準确率，右邊是測試準确率）：
在不同程度的Laplacian噪聲下的實驗結果（左邊是訓練準确率，右邊是測試準确率）：
在不同程度的Pink噪聲下的實驗結果（左邊是訓練準确率，右邊是測試準确率）：
可以看到，在噪聲越強的時候，即信噪比(Signal-to-Noise Ratio, SNR)為-5dB的時候，相較于ConvNet和ResNet的效果提升最為明顯。在噪聲較弱的時候，DRSN-CS和DRSN-CW的準确率也很高，這是因為DRSN-CS和DRSN-CW可以自适應地設定門檻值。
轉載網址：
深度殘差收縮網絡：（一）背景知識
https://www.cnblogs.com/yc-9527/p/11598844.html深度殘差收縮網絡：（二）整體思路
https://www.cnblogs.com/yc-9527/p/11601322.html深度殘差收縮網絡：（三）網絡結構
https://www.cnblogs.com/yc-9527/p/11603320.html深度殘差收縮網絡：（四）注意力機制下的門檻值設定
https://www.cnblogs.com/yc-9527/p/11604082.html深度殘差收縮網絡：（五）實驗驗證
https://www.cnblogs.com/yc-9527/p/11610073.html深度殘差收縮網絡：（六）代碼實作
https://www.cnblogs.com/yc-9527/p/12091581.html論文網址：
M. Zhao, S. Zhong, X. Fu, B. Tang, and M. Pecht, “Deep Residual Shrinkage Networks for Fault Diagnosis,” IEEE Transactions on Industrial Informatics, 2019, DOI: 10.1109/TII.2019.2943898
https://ieeexplore.ieee.org/document/8850096