| 目录 | 第6-9页 |
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-13页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状及分析 | 第15-26页 |
| 1.2.1 数据来源现状 | 第15-17页 |
| 1.2.2 数据处理现状 | 第17-22页 |
| 1.2.3 分类器现状 | 第22-23页 |
| 1.2.4 多波束沉积物分类现状 | 第23-25页 |
| 1.2.5 浅剖沉积物分类现状 | 第25-26页 |
| 1.3 论文研究的目的和主要内容 | 第26-28页 |
| 第2章 基于多波束和浅剖回波强度的海底沉积物分类原理 | 第28-43页 |
| 2.1 水声学基础 | 第28-33页 |
| 2.1.1 水体中声波传播特性 | 第28-29页 |
| 2.1.2 束控机理 | 第29-31页 |
| 2.1.3 声能方程 | 第31-33页 |
| 2.2 多波束和浅剖的系统组成及工作原理 | 第33-37页 |
| 2.2.1 多波束系统 | 第33-36页 |
| 2.2.2 浅剖系统 | 第36-37页 |
| 2.3 基于多波束和浅剖回波强度的海底沉积物分类原理 | 第37-42页 |
| 2.3.1 多波束回波强度分类原理 | 第37-40页 |
| 2.3.2 浅剖回波强度分类原理 | 第40-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第3章 顾及姿态因素影响的三维声线跟踪 | 第43-67页 |
| 3.1 多波束回波强度图像的构建 | 第43-58页 |
| 3.1.1 采样点回波强度提取 | 第43页 |
| 3.1.2 采样点回波强度位置定位 | 第43-49页 |
| 3.1.3 回波强度消噪 | 第49-52页 |
| 3.1.4 声能补偿 | 第52-54页 |
| 3.1.5 图像重采样 | 第54-57页 |
| 3.1.6 图像构建 | 第57-58页 |
| 3.2 波束投射点位置误差对声强的影响 | 第58-59页 |
| 3.3 顾及姿态角的三维声线精确跟踪 | 第59-62页 |
| 3.4 实验与分析 | 第62-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第4章 双曲Radon预测反褶积和反馈循环的多次波压制综合方法 | 第67-87页 |
| 4.1 多次波及其识别 | 第67-70页 |
| 4.1.1 多次波 | 第67-68页 |
| 4.1.2 多次波识别 | 第68-70页 |
| 4.2 传统多次波压制方法 | 第70-71页 |
| 4.2.1 基于可分离性的多次波压制方法 | 第70页 |
| 4.2.2 基于波动方程理论的多次波压制方法 | 第70页 |
| 4.2.3 基于重复周期的统计特征的多次波压制方法 | 第70-71页 |
| 4.3 预测反褶积和反馈循环法相结合的多次波综合压制方法 | 第71-77页 |
| 4.3.1 预测反褶积方法 | 第71-73页 |
| 4.3.2 反馈循环方法 | 第73-75页 |
| 4.3.3 两种方法结合的优势 | 第75页 |
| 4.3.4 多次波综合压制方法 | 第75-77页 |
| 4.4 多次波压制效果评价 | 第77-79页 |
| 4.5 实验与分析 | 第79-86页 |
| 4.6 本章小结 | 第86-87页 |
| 第5章 浅地层层界划分及声能补偿 | 第87-119页 |
| 5.1 浅地层沉积物品质因子Q | 第87-92页 |
| 5.1.1 品质因子Q | 第87页 |
| 5.1.2 Q计算方法 | 第87-91页 |
| 5.1.3 影响浅地层声能衰减的主要因素 | 第91-92页 |
| 5.2 浅地层回波损失能级计算 | 第92-103页 |
| 5.2.1 丢失Ping的修复 | 第93-95页 |
| 5.2.2 回波信号瞬时振幅提取 | 第95-96页 |
| 5.2.3 浅地层声能衰减模型 | 第96-101页 |
| 5.2.4 噪声影响下的回波损失级计算 | 第101-103页 |
| 5.3 结合沉积物品质因子和回波峰谷法的层界划分 | 第103-113页 |
| 5.3.1 海底线跟踪 | 第103-104页 |
| 5.3.2 回波损失曲线的峰谷提取 | 第104-106页 |
| 5.3.3 综合法提取层界 | 第106-108页 |
| 5.3.4 实验与分析 | 第108-113页 |
| 5.4 基于波动理论反Q滤波法的声能补偿 | 第113-118页 |
| 5.4.1 基于波动理论的反Q滤波法 | 第113-115页 |
| 5.4.2 实验与分析 | 第115-118页 |
| 5.5 本章小结 | 第118-119页 |
| 第6章 样本选优及小波BP神经网络分类器改进 | 第119-144页 |
| 6.1 样本对沉积物分类的影响分析 | 第119页 |
| 6.2 样本的提取 | 第119-125页 |
| 6.2.1 钻孔采样区域概况 | 第119-121页 |
| 6.2.2 第一菲涅尔区 | 第121-122页 |
| 6.2.3 样本核心区 | 第122-125页 |
| 6.3 样本的数量和质量控制 | 第125-128页 |
| 6.3.1 床表样本宽度确定及样本优选 | 第125页 |
| 6.3.2 浅地层样本宽度确定及样本优选 | 第125-128页 |
| 6.4 海底沉积物分类方法及其性能分析 | 第128-135页 |
| 6.4.1 支持向量机 | 第128-131页 |
| 6.4.2 标准BP神经网络 | 第131-132页 |
| 6.4.3 标准小波BP神经网络 | 第132-133页 |
| 6.4.4 几种分类器的沉积物分类精度分析 | 第133-135页 |
| 6.5 小波BP神经网络的改进 | 第135-143页 |
| 6.5.1 基本原理 | 第135-138页 |
| 6.5.2 改进算法 | 第138-140页 |
| 6.5.3 性能分析 | 第140-143页 |
| 6.6 本章小结 | 第143-144页 |
| 第7章 海底浅表层沉积物分类及其三维沉积物模型构建 | 第144-173页 |
| 7.1 海底床表沉积物分类 | 第144-148页 |
| 7.1.1 分类流程 | 第144-145页 |
| 7.1.2 数据组织 | 第145-147页 |
| 7.1.3 分类器训练 | 第147-148页 |
| 7.1.4 沉积物分类 | 第148页 |
| 7.2 海底浅地层沉积物分类 | 第148-151页 |
| 7.2.1 分类流程 | 第148-149页 |
| 7.2.2 数据组织 | 第149-151页 |
| 7.2.3 分类器训练 | 第151页 |
| 7.2.4 沉积物分类 | 第151页 |
| 7.3 浅表层三维沉积物模型构建 | 第151-155页 |
| 7.3.1 三维沉积物模型构建流程 | 第151-152页 |
| 7.3.2 三维沉积物模型构建方法 | 第152-155页 |
| 7.4 实验与分析 | 第155-171页 |
| 7.4.1 床表沉积物分类实验 | 第155-162页 |
| 7.4.2 浅地层分类实验 | 第162-169页 |
| 7.4.3 浅表层三维沉积物模型构建实验 | 第169-171页 |
| 7.5 本章小结 | 第171-173页 |
| 第8章 结论与展望 | 第173-176页 |
| 8.1 结论 | 第173-174页 |
| 8.2 建议与展望 | 第174-176页 |
| 参考文献 | 第176-183页 |
| 附录 | 第183-186页 |
| 攻博期间的主要工作与成果 | 第186-187页 |
| 致谢 | 第187页 |
