本文探讨了深度残差收缩网络的另一种理解方式。
传统信号降噪算法的常见步骤是：
① 采用某种信号变换方法（例如小波、经验模态分解），将含噪信号变换到另外一种形态（例如小波系数、本征模态分量等）。在这些形态中的某些部分，接近于0的是噪声特征，幅值较大的是有用特征。
② 然后，采用软阈值化，将噪声特征置为0。
③ 最后，进行信号的反变换，获得降噪后的信号。
但是，如何保证在变换形态中，故障成分的幅值较大，噪声成分的幅值接近0呢？
如何选取软阈值化的阈值呢？
这需要大量信号处理方面的专业知识和经验。
如果换了一段信号，又需要重新设计信号变换方法，重新选择阈值，非常麻烦。
人力成本是很高的。
在信号降噪的过程中，一旦将故障信号滤掉了，就会导致后续算法的彻底失败。
因此，传统的“信号降噪+特征提取”的思路是有问题的。
针对上述问题，可以采用信号降噪、特征提取及诊断进行一体化的方法，这就是深度残差收缩网络。
前面卷积层的参数被初始化成随机数，然后端对端地进行优化，从而可以具备将冗余噪声特征变换到0附近的能力。
阈值τ通过一个特殊设计的子网络进行自动设置。
深度残差收缩网络的具体思路如下图所示：
