自用笔记

1.对DRSN的RSBU块做尝试

1.1 新的RSBU软阈值块

作为Resnet的变体 DRSN通过软阈值的方式消除噪声。
其中经过残差的两次卷积后，将结果取绝对值，之后经过全局平均池化，之后再经过两次全连接层，该结果进行Sigmoid，最后将GAP的结果取平均后与两次取得平均值分别相乘，得到软阈值的结果。最后与原输入进行阈值化，这是整体的新的REBU块。

对于西储数据单独改动RSBU块基本无提升，但是对于实验室采集振动信号加噪后的数据进行训练，准确率平均提高2%左右（待改动新的网络结构）。

1.2 改进DRSN-GRU尝试

DRSN改进自ResNet，Res通过网络加入捷径的方式使得网络深度更深。以下是尝试对DRSN-GRU模型进行改进，使得网络更深，精确度更高，再结合GRU机制，进一步提高准确率，使得在加噪的情况下有更好的效果。

在GRU上也新增了捷径，效果更好，准确率更稳定。

2.其他方法

2.1 基于GＲU-DＲSN的双通道人体活动识别

发现了一个新的论文，他是用GRU-DRSN单纯组合起来的模型来处理公开的信号，也是加速度传感器采集的振动信号，用于人体活动（例如下楼梯、走、跑等活动的震动数据），此文证明了GRU-DRSN处理振动数据是可行的。以下是文中模型：

文中数据没有加噪处理，最终达到了90+%的准确率。

3. 最终效果

CNN 不加噪 loss: 0.1992 - accuracy: 0.9302 - val_loss: 0.2159 - val_accuracy: 0.9396
DRSN 不加噪 loss: 0.1320 - accuracy: 0.9516 - val_loss: 0.1858 - val_accuracy: 0.9500

CNN 加噪 loss: 0.1800 - accuracy: 0.9417 - val_loss: 6.7961 - val_accuracy: 0.4042
DRSN 加噪 loss: 0.4553 - accuracy: 0.8234 - val_loss: 0.9315 - val_accuracy: 0.6438
DRSN-GRU 加噪 loss: 0.2807 - accuracy: 0.8909 - val_loss: 0.3203 - val_accuracy: 0.8604
CNN-GRU 加噪 loss: 0.3978 - accuracy: 0.8487 - val_loss: 0.3539 - val_accuracy: 0.77080

改动DRSN-GRU 加噪 loss: 0.2807 - accuracy: 0.9209 - val_loss: 0.3203 - val_accuracy: 0.9104

相较于改动前DRSN-GRU加噪后 平均提升4-5%，效果显著。