| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 水下声音信号预处理的研究现状 | 第13-14页 |
| 1.2.2 基于数据特征分析的迁移学习研究现状 | 第14-16页 |
| 1.3 主要研究内容和预期研究结果 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第2章 课题的相关技术 | 第19-29页 |
| 2.1 深度神经网络相关知识 | 第19-21页 |
| 2.1.1 卷积神经网络 | 第19-20页 |
| 2.1.2 孪生神经网络 | 第20-21页 |
| 2.2 迁移学习和领域适应 | 第21-25页 |
| 2.2.1 概率分布适配法 | 第22-24页 |
| 2.2.2 特征选择法 | 第24页 |
| 2.2.3 子空间学习法 | 第24-25页 |
| 2.3 水下声音处理技术 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 水下声音信号特征提取性能优化方法 | 第29-39页 |
| 3.1 MFCC声音特征提取方法的不足 | 第29-31页 |
| 3.2 基于NSST的时频信号分析方法 | 第31-35页 |
| 3.2.1 原始声音信号分解 | 第31-33页 |
| 3.2.2 将所有声音信号分量转换为光谱图 | 第33-34页 |
| 3.2.3 NSST时频信号处理流程 | 第34-35页 |
| 3.3 基于NSST的MFCC声音特征提取过程和算法 | 第35-37页 |
| 3.3.1 基于NSST的MFCC声音特征提取过程 | 第35-36页 |
| 3.3.2 基于NSST的MFCC水下声音特征提取算法 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于水下声音信号的迁移学习模型优化方法 | 第39-51页 |
| 4.1 整体模型架构 | 第39-41页 |
| 4.1.1 模型各部分概述 | 第39-40页 |
| 4.1.2 待解决问题的形式化描述 | 第40-41页 |
| 4.2 DFA之数据特征提取 | 第41-42页 |
| 4.3 DFA之类别分类器方法优化 | 第42-45页 |
| 4.4 DFA之域分类器方法优化 | 第45-48页 |
| 4.4.1 计算域分类器损失 | 第45-47页 |
| 4.4.2 参数动态调整算法描述 | 第47-48页 |
| 4.5 DFA迁移学习算法描述 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 实验及结果分析 | 第51-63页 |
| 5.1 实验环境配置 | 第51页 |
| 5.2 实验数据集和分类安排 | 第51-53页 |
| 5.2.1 实验数据集 | 第51-52页 |
| 5.2.2 数据集分类安排 | 第52-53页 |
| 5.3 实验结果及分析 | 第53-61页 |
| 5.3.1 水下声音特征提取对比实验 | 第53-54页 |
| 5.3.2 迁移学习模型分类精度对比实验 | 第54-57页 |
| 5.3.3 参数值选择对精度影响实验 | 第57-58页 |
| 5.3.4 模型全连接层层数确定实验 | 第58-59页 |
| 5.3.5 数据特征可视化结果 | 第59-61页 |
| 5.4 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
