首页--工业技术论文--一般工业技术论文--声学工程论文--水声工程论文

基于深度学习方法的水下声音目标识别研究

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

论文共81页,点击 下载论文
上一篇:人工电磁结构对微波的辐射和传播的调控
下一篇:人工表面等离激元波导结构中传播模式的研究