| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的研究背景及意义 | 第10页 |
| 1.1.1 课题的背景 | 第10页 |
| 1.1.2 课题的意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 水下目标特征提取研究现状 | 第10-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 主要研究内容和预期研究成果 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-18页 |
| 第2章 课题的相关研究 | 第18-26页 |
| 2.1 深度学习相关技术研究 | 第18-23页 |
| 2.1.1 人工神经网络 | 第18-19页 |
| 2.1.2 BP算法 | 第19-20页 |
| 2.1.3 深度学习的模型分析 | 第20-22页 |
| 2.1.4 深度学习的训练方法 | 第22-23页 |
| 2.2 水下目标噪声理论基础 | 第23-24页 |
| 2.2.1 水下目标噪声类型 | 第23-24页 |
| 2.2.2 水下目标噪声信号模型 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 基于CNN的水下目标特征提取 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 基于卷积神经网络的深层特征提取原理 | 第26-29页 |
| 3.2.1 CNN模型及拓扑结构 | 第27-28页 |
| 3.2.2 CNN网络在特征提取方面的适用性分析 | 第28-29页 |
| 3.3 特征图多维加权算法 | 第29-36页 |
| 3.3.1 特征图加权算法构建 | 第29-31页 |
| 3.3.2 特征权值的计算方法分析 | 第31-33页 |
| 3.3.3 加权特征的网络模型训练算法 | 第33-36页 |
| 3.4 CNN的水下目标特征提取分析 | 第36-39页 |
| 3.4.1 LoFAR谱图对CNN方法的适用性分析 | 第36-38页 |
| 3.4.2 感受野的设计 | 第38页 |
| 3.4.3 特征提取及分类 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于RICNN的水下目标特征提取 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 RICNN模型 | 第40-50页 |
| 4.2.1 RICNN模型及拓扑结构 | 第41-43页 |
| 4.2.2 RBF Convolutional Layer | 第43-47页 |
| 4.2.3 局部归一化处理 | 第47-49页 |
| 4.2.4 RICNN计算和训练算法 | 第49-50页 |
| 4.3 RICNN特征分类优化 | 第50-51页 |
| 4.4 RICNN网络适用于水下目标特征提取算法 | 第51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 水下目标特征提取仿真实验 | 第52-60页 |
| 5.1 实验数据及环境描述 | 第52页 |
| 5.2 实验网络结构 | 第52-54页 |
| 5.3 实验参数设置及结果分析 | 第54-57页 |
| 5.4 对比实验结果分析 | 第57-58页 |
| 5.5 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |