注意力机制+多尺度卷积

多尺度卷积先提供丰富的特征信息，注意力机制再从中筛选出关键信息，这样结合起来，不仅可以进一步提高模型的识别精度和效率，显著提升模型性能，还可以增强模型的可解释性。

 

MPARN: multi-scale path attention residual network for fault diagnosis of rotating machines方法：论文介绍了一种用于旋转机械故障诊断的多尺度卷积神经网络结构，称为多尺度路径注意力残差网络（MPARN）。这个结构通过结合多尺度卷积和注意力机制来提取不同时间尺度的特征，并增强特征的表示能力。

创新点：

（1）提出了一种新型的卷积神经网络架构，通过多尺度扩张卷积层后采用路径注意力模块，为不同卷积路径提取的特征分配不同的权重，以此增强多尺度结构的特征表示能力。

（2）在多尺度扩张卷积层之后引入了一种新的注意力机制，通过比较不同路径提取的通道之间的关系来计算每个卷积路径的权重，然后对通道进行