| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究工作的背景与意义 | 第9页 |
| 1.2 基于深度学习的水下目标识别国内外研究历史与现状 | 第9-11页 |
| 1.3 研究目的和内容 | 第11-12页 |
| 1.4 本论文的结构安排 | 第12-14页 |
| 第二章 水下目标样本获取与分析 | 第14-19页 |
| 2.1 水下目标探测试验场景 | 第14-16页 |
| 2.2 离散化时间序列形式样本的标注 | 第16-17页 |
| 2.3 时频图像样本处理 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 深度学习模型建立与参数优化 | 第19-47页 |
| 3.1 深度学习建模方案设计 | 第19-20页 |
| 3.2 损失函数的特性分析与选择 | 第20-22页 |
| 3.2.1 均方误差损失函数 | 第21页 |
| 3.2.2 交叉熵损失函数 | 第21-22页 |
| 3.3 非线性激活函数的对比与选择 | 第22-24页 |
| 3.4 基于梯度下降法的参数优化方法对比 | 第24-32页 |
| 3.4.1 传统梯度下降法 | 第24-26页 |
| 3.4.2 Momentum与NAG方法 | 第26-27页 |
| 3.4.3 Adagrad,Adadelta,RMSprop和Adam方法 | 第27-29页 |
| 3.4.4 参数更新方法的误差收敛情况及水下目标识别正确率对比分析 | 第29-32页 |
| 3.5 正则化方法 | 第32-33页 |
| 3.5.1 L1与L2正则化 | 第32页 |
| 3.5.2 EarlyStopping策略 | 第32-33页 |
| 3.5.3 Dropout方法 | 第33页 |
| 3.6 多层感知器模型设计 | 第33-38页 |
| 3.7 降维多层感知器模型设计 | 第38-43页 |
| 3.7.1 AE-DNN降维多层感知器设计 | 第38-40页 |
| 3.7.2 RBM-DNN降维多层感知器设计 | 第40-43页 |
| 3.8 循环神经网络模型设计 | 第43-44页 |
| 3.9 卷积神经网络模型设计 | 第44-46页 |
| 3.10 本章小结 | 第46-47页 |
| 第四章 深度学习模型水下目标识别分析 | 第47-70页 |
| 4.1 深度学习模型评估指标体系建立 | 第47-49页 |
| 4.1.1 召回率、识别率与F1值 | 第47页 |
| 4.1.2 ROC与AUC | 第47-48页 |
| 4.1.3 混淆矩阵 | 第48-49页 |
| 4.2 多层感知器水下目标识别分析 | 第49-55页 |
| 4.2.1 多层感知器模型F1值对比分析 | 第49-52页 |
| 4.2.2 多层感知器模型AUC对比分析 | 第52-55页 |
| 4.3 降维多层感知器水下目标识别分析 | 第55-58页 |
| 4.3.1 降维多层感知器误差收敛情况对比 | 第55-56页 |
| 4.3.2 降维多层感知器F1值对比分析 | 第56-57页 |
| 4.3.3 降维多层感知器AUC对比分析 | 第57-58页 |
| 4.4 循环神经网络水下目标识别分析 | 第58-59页 |
| 4.5 卷积神经网络水下目标识别分析 | 第59-67页 |
| 4.5.1 具有池化层卷积神经网络水下目标识别分析 | 第59-62页 |
| 4.5.2 无池化层卷积神经网络水下目标识别分析 | 第62-67页 |
| 4.6 水下目标识别模型的ROC与AUC对比分析 | 第67-69页 |
| 4.7 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70-71页 |
| 5.2 后续工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的成果 | 第77页 |
