| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-18页 |
| ·研究背景与立题意义 | 第11-12页 |
| ·船舶和鲸类声信号识别问题的概述 | 第12-15页 |
| ·基本概念 | 第12页 |
| ·发展历史 | 第12-14页 |
| ·研究内容 | 第14-15页 |
| ·国内外研究现状 | 第15-16页 |
| ·论文的出发点 | 第16页 |
| ·本文主要内容 | 第16-18页 |
| 第2章 水下声信号分类识别基本原理 | 第18-27页 |
| ·引言 | 第18页 |
| ·分类系统的基本组成 | 第18-20页 |
| ·分析信号与提取特征 | 第20-23页 |
| ·特征选择和压缩 | 第23页 |
| ·分类器的设计 | 第23-25页 |
| ·分类性能的评价准则 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 特征提取方法研究 | 第27-62页 |
| ·特征提取方法概述 | 第27页 |
| ·基于小波包分解的能量特征提取方法研究 | 第27-43页 |
| ·小波分析的基本理论 | 第27-29页 |
| ·多分辨分析和小波包的定义 | 第29-32页 |
| ·基于小波包分解的能量特征提取算法 | 第32-33页 |
| ·基于小波包分解的能量特征提取 | 第33-42页 |
| ·分解层数和小波函数对识别性能的影响 | 第42-43页 |
| ·基于希尔伯特-黄变换的边际谱特征提取 | 第43-52页 |
| ·希尔伯特-黄变换的基本原理 | 第43-46页 |
| ·基于 HHT 的船舶和鲸类声信号分析 | 第46-50页 |
| ·基于 HHT 的船舶和鲸类声信号边际谱特征提取 | 第50-52页 |
| ·基于 MFCC 的特征参数提取方法 | 第52-60页 |
| ·信号的同态分析 | 第53-54页 |
| ·倒谱和复倒谱 | 第54页 |
| ·Mel 频率及 Mel 频率倒谱系数 | 第54-56页 |
| ·MFCC 特征参数的提取算法 | 第56-59页 |
| ·基于 MFCC 的船舶和鲸类声信号的特征参数提取 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第4章 分类器的设计与选择 | 第62-79页 |
| ·分类器的概述 | 第62-64页 |
| ·人工神经网络 | 第64-73页 |
| ·神经网络的组成及其研究方向 | 第64-65页 |
| ·神经网络的分类 | 第65-67页 |
| ·基于径向基函数的概率神经网络 | 第67-73页 |
| ·高斯混合模型 | 第73-78页 |
| ·高斯混合模型的基本理论 | 第73-74页 |
| ·高斯混合模型的参数估计 | 第74-77页 |
| ·高斯混合模型的识别算法 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 实验结果分析 | 第79-87页 |
| ·船舶分类结果及分析 | 第79-81页 |
| ·鲸类信号分类结果及分析 | 第81-82页 |
| ·基于 Mel 频率倒谱系数和高斯混合模型的识别系统 | 第82-86页 |
| ·系统的设计方案 | 第82-83页 |
| ·基于 Mel 频率倒谱系数和高斯混合模型的识别系统的基本性能 | 第83-84页 |
| ·前两维 Mel 频率倒谱系数特征分量对识别性能的影响 | 第84-85页 |
| ·Mel 频率倒谱系数加入归一化能量信息后对识别性能的影响 | 第85页 |
| ·Mel 频率倒谱系数加入动态参数后对识别性能的影响 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 结论 | 第87-89页 |
| 参考文献 | 第89-97页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第97-98页 |
| 致谢 | 第98页 |
