基于深度學(xué)習(xí)的水下信息處理方法研究

第1章緒論
1.1水下信息處理方法的意義和價值
1.2國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)
1.2.1水下信息處理技術(shù)
1.2.2深度學(xué)習(xí)在信息處理技術(shù)中的應(yīng)用
本章小結(jié)
參考文獻
第2章基于堆疊式卷積稀疏降噪自編碼器的水下異構(gòu)信息數(shù)據(jù)降噪方法
2.1水下信息數(shù)據(jù)的噪聲模型
2.1.1加性高斯白噪聲模型
2.1.2乘性散斑噪聲模型
2.2模擬水下異構(gòu)信息數(shù)據(jù)集
2.2.1模擬水下聲信號數(shù)據(jù)集
2.2.2模擬水下聲吶圖像數(shù)據(jù)集
2.2.3異構(gòu)信息數(shù)據(jù)進行預(yù)處理
2.3堆疊式卷積稀疏降噪自編碼器
2.3.1稀疏降噪自編碼器
2.3.2堆疊式稀疏降噪自編碼器網(wǎng)絡(luò)
2.3.3卷積神經(jīng)網(wǎng)絡(luò)
2.3.4構(gòu)建堆疊式卷積稀疏降噪自編碼器模型
2.4實驗結(jié)果與分析
2.4.1降噪結(jié)果向量處理
2.4.2水下聲信號信息數(shù)據(jù)降噪
2.4.3水下聲吶圖像信息數(shù)據(jù)降噪
2.4.4算法運行時間對比實驗
本章小結(jié)
參考文獻
第3章基于多維特征的深度學(xué)習(xí)水下聲信號目標分類識別方法
3.1構(gòu)建水下聲信號目標多維特征向量
3.1.1Gammatone頻率倒譜系數(shù)算法
3.1.2改進的經(jīng)驗?zāi)B(tài)分解算法
3.1.3構(gòu)建多維特征向量
3.2基于多維特征的深度學(xué)習(xí)分類識別方法
3.2.1高斯混合模型
3.2.2深度神經(jīng)網(wǎng)絡(luò)
3.2.3MDNN算法描述
3.2.4MFF-MDNN描述
3.3實驗結(jié)果與分析
本章小結(jié)
參考文獻
第4章基于CWGAN-GP&DR的改進CNN水下聲吶圖像分類方法
4.1生成對抗網(wǎng)絡(luò)模型
4.1.1生成器
4.1.2判別器
4.1.3損失函數(shù)
4.1.4訓(xùn)練過程
4.2基于梯度懲罰Wasserstein生成對抗網(wǎng)絡(luò)模型
4.3基于條件生成對抗網(wǎng)絡(luò)模型
4.4支持向量機算法
4.5基于CWGAN-GP&DR的改進CNN分類方法
4.5.1構(gòu)建CWGAN-GP&DR網(wǎng)絡(luò)模型
4.5.2改進的卷積神經(jīng)網(wǎng)絡(luò)
4.5.3CWGAN-GP&DR的改進CNN算法描述
4.6實驗結(jié)果與分析
本章小結(jié)
參考文獻
第5章基于類意識領(lǐng)域自適應(yīng)的水下聲吶圖像無監(jiān)督分類方法
5.1無監(jiān)督領(lǐng)域自適應(yīng)
5.2數(shù)據(jù)集的構(gòu)建
5.3基于殘差網(wǎng)絡(luò)的遷移學(xué)習(xí)無監(jiān)督分類方法
5.4基于深度聚類網(wǎng)絡(luò)的無監(jiān)督分類方法
5.5對抗自編碼器
5.6構(gòu)建基于類意識領(lǐng)域自適應(yīng)的無監(jiān)督分類網(wǎng)絡(luò)模型
5.7CCUDA網(wǎng)絡(luò)模型的泛化界
5.7.1泛化界基礎(chǔ)理論
5.7.2CCUDA網(wǎng)絡(luò)模型的泛化上界
5.7.3CCUDA網(wǎng)絡(luò)模型的領(lǐng)域自適應(yīng)泛化上界
5.8實驗結(jié)果與分析
本章小結(jié)
參考文獻