| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.1.1 课题的研究背景 | 第11页 |
| 1.1.2 课题的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 水下目标识别的研究现状 | 第12-13页 |
| 1.2.2 深度学习的研究现状 | 第13-17页 |
| 1.3 主要研究内容和预期研究结果 | 第17页 |
| 1.4 论文的组织 | 第17-19页 |
| 第2章 相关技术基础理论 | 第19-29页 |
| 2.1 卷积神经网络的基本介绍 | 第19-20页 |
| 2.2 卷积神经网络的特点 | 第20-21页 |
| 2.3 卷积神经网络的结构 | 第21-25页 |
| 2.3.1 卷积层和全连接层 | 第21页 |
| 2.3.2 池化层 | 第21-22页 |
| 2.3.3 损失函数层 | 第22-23页 |
| 2.3.4 激活函数 | 第23-24页 |
| 2.3.5 弃权策略 | 第24-25页 |
| 2.4 自动编码器相关介绍 | 第25-27页 |
| 2.5 Caffe相关介绍 | 第27页 |
| 2.6 声谱图相关介绍 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 基于MRFCNN的水下目标识别研究 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 研究概述 | 第29-30页 |
| 3.3 算法的描述 | 第30-38页 |
| 3.3.1 问题的提出 | 第30-34页 |
| 3.3.2 MRFCNN模型的结构组成 | 第34-35页 |
| 3.3.3 多尺度卷积滤波器组的设计与分析 | 第35-36页 |
| 3.3.4 残差学习模块的设计与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于稀疏自编码器的MRFCNN优化算法研究 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 研究概述 | 第39-40页 |
| 4.3 算法的描述 | 第40-44页 |
| 4.3.1 问题的提出 | 第40-41页 |
| 4.3.2 通过预学习CNN模型生成初始特征表示 | 第41-42页 |
| 4.3.3 利用稀疏自编码器进行无监督特征学习 | 第42-44页 |
| 4.4 单层SAE降维式分类法 | 第44-45页 |
| 4.5 多层SAE重建式分类法 | 第45-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第5章 实验及结果分析 | 第49-61页 |
| 5.1 引言 | 第49页 |
| 5.2 实验数据集 | 第49-50页 |
| 5.3 实验平台及环境 | 第50-51页 |
| 5.4 实验结果及分析 | 第51-60页 |
| 5.4.1 实验网络模型说明 | 第51-53页 |
| 5.4.2 实验一：Alexnet与MRFCNN经典数据集对比实验 | 第53-55页 |
| 5.4.3 实验二：彩色声谱图与灰度声谱图对比实验 | 第55-56页 |
| 5.4.4 实验三：MRFCNN与Alexnet水下声音数据集对比实验 | 第56-57页 |
| 5.4.5 实验四：多卷积滤波器组最优卷积核选择实验 | 第57-58页 |
| 5.4.6 实验五：四种网络模型横向对比实验 | 第58-59页 |
| 5.4.7 实验六：MRFCNN-AE与MRFCNN-NN对比实验 | 第59页 |
| 5.4.8 其他功率实验说明 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
