| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景及意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 识别的原理概述 | 第12-15页 |
| 1.4.1 目标噪声信号LOFAR谱图的获取 | 第13页 |
| 1.4.2 基于LOFAR谱图的特征向量提取 | 第13-14页 |
| 1.4.3 特征向量主成分分析 | 第14页 |
| 1.4.4 水中目标的分类识别 | 第14-15页 |
| 1.5 本文的主要内容 | 第15-16页 |
| 第2章 水下目标噪声理论基础 | 第16-24页 |
| 2.1 船舰及水下目标噪声理论基础 | 第16-18页 |
| 2.2 水下目标辐射噪声的谱特性 | 第18-19页 |
| 2.3 水下目标噪声信号模型 | 第19-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 主成分分析技术的基础与解法 | 第24-30页 |
| 3.1 引言 | 第24页 |
| 3.2 基本概念及数学描述 | 第24-26页 |
| 3.2.1 主成分分析基本原理 | 第25页 |
| 3.2.2 主分量分析的算法 | 第25-26页 |
| 3.3 信号的预处理介绍 | 第26-27页 |
| 3.3.1 信号样本的归一化处理 | 第27页 |
| 3.3.2 信号样本的平滑与分块 | 第27页 |
| 3.4 分析效果的检验方法 | 第27-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第4章 BP神经网络及其改进算法 | 第30-44页 |
| 4.1 人工神经网络概述 | 第30页 |
| 4.2 人工神经网络的发展 | 第30-32页 |
| 4.3 人工神经网络模型 | 第32-35页 |
| 4.3.1 人工神经元模型 | 第32-33页 |
| 4.3.2 人工神经网络结构 | 第33-34页 |
| 4.3.3 神经网络学习原理 | 第34-35页 |
| 4.4 神经网络的应用 | 第35-36页 |
| 4.5 BP神经网络 | 第36-42页 |
| 4.5.1 BP神经网络结构 | 第36-38页 |
| 4.5.2 BP神经网络的局限性及改进算法 | 第38-42页 |
| 4.6 本章小结 | 第42-44页 |
| 第5章 基于PCA的BP神经网络水下目标识别研究 | 第44-62页 |
| 5.1 引言 | 第44页 |
| 5.2 主成分分析神经网络 | 第44-47页 |
| 5.2.1 Oja模型网络及其算法 | 第44-45页 |
| 5.2.2 基于Snager算法的主分量分析神经网络 | 第45-47页 |
| 5.3 水下目标信号的LOFAR谱图特征的主成分分析 | 第47-51页 |
| 5.3.1 特征提取预处理 | 第47页 |
| 5.3.2 特征提取方法 | 第47-48页 |
| 5.3.3 主成分分析处理 | 第48-51页 |
| 5.4 水下目标识别的仿真实验 | 第51-62页 |
| 5.4.1 MATLAB及应用函数 | 第51-53页 |
| 5.4.2 仿真过程 | 第53-55页 |
| 5.4.3 网络性能测试 | 第55-60页 |
| 5.4.4 实验结果及分析 | 第60-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |