基于HHT和ELM的水下目标识别技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与立题意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.3 本文主要内容及章节安排 | 第17-19页 |
| 第2章 水下声信号的预处理 | 第19-28页 |
| 2.1 水下声信号分类系统的构成 | 第19-21页 |
| 2.2 自适应滤波基本原理 | 第21-22页 |
| 2.3 最小均方算法 | 第22-25页 |
| 2.3.1 维纳滤波 | 第22-24页 |
| 2.3.2 梯度下降法 | 第24页 |
| 2.3.3 最小均方算法 | 第24-25页 |
| 2.4 基于LMS算法的噪声去噪仿真 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 基于希尔伯特-黄变换的特征提取 | 第28-53页 |
| 3.1 水声信号特征提取方法概述 | 第28-31页 |
| 3.2 希尔伯特-黄变换的基本原理 | 第31-41页 |
| 3.2.1 瞬时频率 | 第32-34页 |
| 3.2.2 固有模态函数 | 第34-35页 |
| 3.2.3 经验模态分解 | 第35-39页 |
| 3.2.4 希尔伯特谱分析 | 第39-41页 |
| 3.3 希尔伯特-黄变换的若干问题 | 第41-45页 |
| 3.3.1 时间尺度 | 第41-42页 |
| 3.3.2 曲线拟合方法 | 第42-43页 |
| 3.3.3 边界问题的处理 | 第43页 |
| 3.3.4 停止准则 | 第43-45页 |
| 3.4 仿真实验及水声信号的特征提取 | 第45-51页 |
| 3.4.1 典型信号的仿真分析 | 第45-48页 |
| 3.4.2 舰船噪声信号的特征提取 | 第48-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 基于超限学习机的噪声信号分类识别 | 第53-63页 |
| 4.1 分类器的设计概述 | 第53-54页 |
| 4.2 单隐层前馈型神经网络 | 第54-56页 |
| 4.2.1 随机隐层节点数的标准SLFN模型 | 第55-56页 |
| 4.2.2 SLFN的有关性质 | 第56页 |
| 4.3 超限学习机 | 第56-59页 |
| 4.3.1 常规的SLFN训练算法 | 第56-57页 |
| 4.3.2 超限学习算法 | 第57-59页 |
| 4.4 船舶辐射噪声的分类识别实验 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于压缩感知的超限学习网络优化 | 第63-71页 |
| 5.1 神经网络结构的优化方法 | 第63-64页 |
| 5.2 压缩感知基本原理 | 第64-66页 |
| 5.3 压缩感知的快速算法 | 第66-67页 |
| 5.4 结构稀疏化的超限学习机 | 第67-69页 |
| 5.5 基于结构稀疏化的超限学习机分类实验 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-79页 |
| 致谢 | 第79页 |
