| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究历史及现状 | 第12-16页 |
| 1.2.1 基于傅里叶变换的频谱分析 | 第13-14页 |
| 1.2.2 时频分析方法 | 第14-15页 |
| 1.2.3 其他方法 | 第15-16页 |
| 1.3 语音识别的深度学习方法 | 第16-20页 |
| 1.3.1 深度学习简介 | 第16-18页 |
| 1.3.2 语音识别的发展 | 第18-20页 |
| 1.4 本文研究内容安排 | 第20-21页 |
| 第2章 传统方法的特征提取和分类器设计 | 第21-33页 |
| 2.1 预处理 | 第21-23页 |
| 2.1.1 预加重 | 第21-22页 |
| 2.1.2 信号分帧和加窗 | 第22-23页 |
| 2.2 特征提取 | 第23-27页 |
| 2.2.1 梅尔倒谱系数（MFCC） | 第23-24页 |
| 2.2.2 希尔伯特黄变换（HHT） | 第24-27页 |
| 2.3 分类器设计 | 第27-32页 |
| 2.3.1 支持向量机（SVM） | 第27-31页 |
| 2.3.2 极限学习机（ELM） | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于深度卷积神经网络的水下声音信号特征提取 | 第33-53页 |
| 3.1 深度卷积神经网络（CNN） | 第33-38页 |
| 3.1.1 局部连接与权值共享 | 第34-35页 |
| 3.1.2 构建深度卷积网络输入特征 | 第35页 |
| 3.1.3 卷积层 | 第35-38页 |
| 3.1.4 池化层 | 第38页 |
| 3.2 卷积神经网络的训练 | 第38-42页 |
| 3.2.1 反向传播算法 | 第39-40页 |
| 3.2.2 卷积层的梯度计算 | 第40-41页 |
| 3.2.3 池化层的梯度计算 | 第41-42页 |
| 3.3 实验及结果分析 | 第42-50页 |
| 3.3.1 数据集及输入准备 | 第42-46页 |
| 3.3.2 对比实验 | 第46-50页 |
| 3.4 本章小结 | 第50-53页 |
| 第4章 基于深度递归神经网络的水下声音特征提取 | 第53-71页 |
| 4.1 递归神经网络（RNN） | 第53-62页 |
| 4.1.1 原生递归神经网络（RNN） | 第54-56页 |
| 4.1.2 长短时记忆模型（LSTM） | 第56-62页 |
| 4.2 递归神经网络的训练 | 第62-65页 |
| 4.2.1 RNN的沿时反向传播算法 | 第62-64页 |
| 4.2.2 LSTM的训练方法 | 第64-65页 |
| 4.3 实验及结果分析 | 第65-67页 |
| 4.3.1 数据集和实验环境 | 第65页 |
| 4.3.2 对比试验 | 第65-67页 |
| 4.4 本章小结 | 第67-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-81页 |
| 致谢 | 第81页 |