| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 水中目标识别研究现状与发展趋势 | 第10-11页 |
| 1.3 水中目标识别的基本原理 | 第11-13页 |
| 1.4 深度学习理论 | 第13-14页 |
| 1.4.1 深度学习与深度神经网络 | 第13-14页 |
| 1.4.2 深度神经网络在水中目标识别中的应用 | 第14页 |
| 1.5 本文主要工作及内容安排 | 第14-17页 |
| 第2章 水中目标信号的预处理 | 第17-35页 |
| 2.1 水中目标信号的产生与传播 | 第17-18页 |
| 2.2 提升信噪比方法研究 | 第18-30页 |
| 2.2.1 小波阈值降噪 | 第18-20页 |
| 2.2.2 经验模态分解(EMD) | 第20-23页 |
| 2.2.3 奇异值分解(SVD) | 第23-24页 |
| 2.2.4 基于EMD与SVD结合的非平稳信号降噪 | 第24页 |
| 2.2.5 提升信噪比方法的效果评估及对比分析 | 第24-30页 |
| 2.3 信号预加重 | 第30页 |
| 2.4 分帧和加窗 | 第30-32页 |
| 2.5 归一化方法 | 第32页 |
| 2.6 本章小结 | 第32-35页 |
| 第3章 水中目标信号特征提取与选择 | 第35-48页 |
| 3.1 特征提取基本方法 | 第35-42页 |
| 3.1.1 线性预测倒谱系数(LPCC)的提取 | 第35-36页 |
| 3.1.2 感觉加权线性预测系数(PLP)的提取 | 第36-39页 |
| 3.1.3 梅尔频率倒谱系数(MFCC)的提取 | 第39-42页 |
| 3.2 一种基于主成分分析(PCA)的水中目标串联特征融合方法 | 第42-44页 |
| 3.2.1 串联特征融合 | 第43页 |
| 3.2.2 主成分分析(PCA) | 第43-44页 |
| 3.3 特征融合方法效果的初步评估 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 水中目标特征表示学习与识别 | 第48-67页 |
| 4.1 深度置信网络的基本理论 | 第48-52页 |
| 4.1.1 受限玻尔兹曼机 | 第49-51页 |
| 4.1.2 深度置信网络的训练 | 第51-52页 |
| 4.2 水中目标识别网络拓扑与参数的设计与改进 | 第52-56页 |
| 4.2.1 样本的选取 | 第52页 |
| 4.2.2 网络结构的确定 | 第52-55页 |
| 4.2.3 网络参数的确定 | 第55-56页 |
| 4.3 水中目标识别网络的优化方法研究 | 第56-60页 |
| 4.3.1 早停法(Earlystopping) | 第57-58页 |
| 4.3.2 权重衰减法(weightdecay) | 第58页 |
| 4.3.3 丢弃法(dropout) | 第58-59页 |
| 4.3.4 引入动量项(momentum) | 第59-60页 |
| 4.4 水中目标识别网络的泛化性能分析 | 第60-66页 |
| 4.4.1 混淆矩阵 | 第61-62页 |
| 4.4.2 基于混淆矩阵的分类识别性能分析 | 第62-63页 |
| 4.4.3 深度网络与传统分类方法在分类性能上的对比分析 | 第63-64页 |
| 4.4.4 不同信噪比条件下的网络泛化性能分析 | 第64-65页 |
| 4.4.5 降维对网络识别率的影响分析 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |
