def residual_network(inputs, dropout_rate=0.1): # 第一层卷积层 x = Conv1D(64, 3, padding="same")(inputs) x = BatchNormalization()(x) x = Activation("relu")(x) # 第二层卷积层 x = Conv1D(64, 3, padding="same")(x) x = BatchNormalization()(x) x = Activation("relu")(x) # 残差块 for i in range(5): y = Conv1D(64, 3, padding="same")(x) y = BatchNormalization()(y) y = Activation("relu")(y) y = Conv1D(64, 3, padding="same")(y) y = BatchNormalization()(y) y = Add()([x, y]) x = Activation("relu")(y) x = Dropout(dropout_rate)(x) # 全局池化层和全连接层 x = Flatten()(x) x = Dense(128, activation="relu")(x) x = Dropout(dropout_rate)(x) x = Dense(3, activation="linear")(x) outputs = x return outputs # 构建模型 inputs = Input(shape=input_shape) outputs = residual_network(inputs) model = Model(inputs=inputs, outputs=outputs) # 编译模型 model.compile(loss="mean_squared_error", optimizer=Adam()) # 定义EarlyStopping回调函数 early_stopping = EarlyStopping(monitor='val_loss', patience=10, verbose=1, mode='min') # 训练模型 history = model.fit(data[..., np.newaxis], data, epochs=100, validation_split=0.2, callbacks=[early_stopping]) # 预测数据 predicted_data = model.predict(data[..., np.newaxis]) predicted_data = np.squeeze(predicted_data) # 可视化去噪前后的数据 fig, axs = plt.subplots(3, 1, figsize=(12, 8)) for i in range(3): axs[i].plot(data[:, i], label="Original Signal") axs[i].plot(predicted_data[:, i], label="Denoised Signal") axs[i].legend() plt.savefig("denoised_signal_DRN.png")

这段代码是一个使用残差网络（ResNet）对信号进行降噪的实现。主要包括构建模型、编译模型、训练模型以及预测数据等步骤。

首先，定义了一个名为`residual_network`的函数，用于构建残差网络模型。该模型包括卷积层、批归一化层、激活函数层、残差块、全局池化层和全连接层等多个层级，其中最关键的是残差块，它允许信息在网络中进行跳跃连接，有效地缓解了信息在网络中逐层传递时的信息丢失问题。

其次，通过`Input`函数定义输入层，然后将输入层作为输入传入`residual_network`函数中，得到输出层。再通过`Model`函数将输入层和输出层组合成完整的模型，用`compile`函数编译模型，定义损失函数和优化器。接着，使用`fit`函数训练模型，并通过`EarlyStopping`回调函数提前停止训练，避免模型过拟合。最后，使用训练好的模型对数据进行预测，并将预测结果可视化出来。

需要注意的是，这里使用的是`Conv1D`函数，表示一维卷积层，因为输入数据是一维信号。另外，`Dropout`函数用于在训练过程中随机断开一定比例的神经元，以减少过拟合。