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 |