其实，这篇文章的摘要很好地总结了整体的思路。一共四句话，非常简明扼要。
我们首先来翻译一下论文的摘要：
第一句：This paper develops new deep learning methods, namely, deep residual shrinkage networks, to improve the feature learning ability from highly noised vibration signals and achieve a high fault diagnosing accuracy.
翻译：本文提出了新的深度学习方法，即深度残差收缩网络，来提高深度学习算法从强噪声信号中学习特征的能力，并且取得较高的故障诊断准确率。
解释：不仅明确了所提出的方法（深度残差收缩网络），而且指出了面向的信号类型（强噪声信号）。
第二句：Soft thresholding is inserted as nonlinear transformation layers into the deep architectures to eliminate unimportant features.
翻译：软阈值化作为非线性层，嵌入到深度神经网络之中，以消除不重要的特征。
解释：深度残差收缩网络是ResNet的改进。这里解释了深度残差收缩网络与ResNet的第一点不同之处——引入了软阈值化。
第三句：Moreover, considering that it is generally challenging to set proper values for the thresholds, the developed deep residual shrinkage networks integrate a few specialized neural networks as trainable modules to automatically determine the thresholds, so that professional expertise on signal processing is not required.
翻译：更进一步地，考虑到软阈值化中的阈值是难以设定的，本文所提出的深度残差收缩网络，采用了一个子网络，来自动地设置这些阈值，从而避免了信号处理领域的专业知识。
解释：这句话点明了本文的核心贡献。本文不仅在网络模型中引入了软阈值化，而且给出了自动设置阈值的方式。
第四句：The efficacy of the developed methods is validated through experiments with various types of noise.
翻译：该方法的有效性通过不同噪声下的实验得到了验证。
解释：实验验证部分考虑了不同种类噪声的影响。
总结：深度残差收缩网络=ResNet+软阈值化+自动设置阈值。
上一篇的内容：
深度残差收缩网络：（一）背景知识 https://www.cnblogs.com/yc-9527/p/11598844.html
原文的链接：
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
