| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 水下声纳图像分类研究现状 | 第11-13页 |
| 1.2.2 深度学习图像分类研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 相关理论与研究方法 | 第18-30页 |
| 2.1 深度学习相关理论 | 第18-19页 |
| 2.1.1 深度学习的基本概念 | 第18页 |
| 2.1.2 深度学习模型简介 | 第18-19页 |
| 2.2 深度信念网络相关理论 | 第19-24页 |
| 2.2.1 受限玻尔兹曼机原理 | 第19-21页 |
| 2.2.2 深度信念网络多层网络结构 | 第21-23页 |
| 2.2.3 反向传播算法原理 | 第23-24页 |
| 2.3 卷积神经网络相关理论 | 第24-29页 |
| 2.3.1 卷积和池化 | 第24-25页 |
| 2.3.2 激活函数 | 第25-27页 |
| 2.3.3 优化算法 | 第27-29页 |
| 2.4 本章总结 | 第29-30页 |
| 第3章 基于深度学习的水下声纳图像分类方法 | 第30-50页 |
| 3.1 实验环境 | 第30-31页 |
| 3.2 实验评价指标 | 第31-32页 |
| 3.3 数据集的构建 | 第32-34页 |
| 3.4 基于DBN的水下声纳图像分类 | 第34-42页 |
| 3.4.1 吉布斯采样 | 第34-35页 |
| 3.4.2 对比散度算法 | 第35-37页 |
| 3.4.3 深度信念网络模型 | 第37-41页 |
| 3.4.4 基于DBN的水下声纳图像分类实验结果与分析 | 第41-42页 |
| 3.5 基于CNN的水下声纳图像分类 | 第42-48页 |
| 3.5.1 激活函数和优化算法实验结果与分析 | 第42-43页 |
| 3.5.2 卷积神经网络模型 | 第43-47页 |
| 3.5.3 基于CNN的水下声纳图像分类实验结果与分析 | 第47-48页 |
| 3.6 本章总结 | 第48-50页 |
| 第4章 基于AW-CNN的水下声纳图像分类 | 第50-64页 |
| 4.1 自适应权值卷积神经网络模型 | 第50-53页 |
| 4.1.1 自适应权值卷积神经网络优势分析 | 第50-51页 |
| 4.1.2 自适应权值卷积神经网络实现过程 | 第51-53页 |
| 4.2 基于AW-CNN的水下声纳图像分类过程 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-63页 |
| 4.3.1 AW-CNN有效性实验结果与分析 | 第54-57页 |
| 4.3.2 AW-CNN收敛性实验结果与分析 | 第57-58页 |
| 4.3.3 AW-CNN可视化实验结果与分析 | 第58-59页 |
| 4.3.4 预处理数据集分类正确率分析 | 第59-62页 |
| 4.3.5 AW-CNN分类混淆矩阵实验结果与分析 | 第62-63页 |
| 4.4 本章总结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-74页 |
| 致谢 | 第74页 |
