●第1章緒論
1.1水下信息處理方法的意義和價值
1.2國內外研究現狀及發展動態
1.2.1水下信息處理技術
1.2.2深度學習在信息處理技術中的應用
本章小結
參考文獻
第2章基於堆疊式卷積稀疏降噪自編碼器的水下異構信息數據降噪方法
2.1水下信息數據的噪聲模型
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模擬水下異構信息數據集
2.2.1模擬水下聲信號數據集
2.2.2模擬水下聲吶圖像數據集
2.2.3異構信息數據進行預處理
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絡
2.3.3卷積神經網絡
2.3.4構建堆疊式卷積稀疏降噪自編碼器模型
2.4實驗結果與分析
2.4.1降噪結果向量處理
2.4.2水下聲信號信息數據降噪
2.4.3水下聲吶圖像信息數據降噪
2.4.4算法運行時間對比實驗
本章小結
參考文獻
第3章基於多維特征的深度學習水下聲信號目標分類識別方法
3.1構建水下聲信號目標多維特征向量
3.1.1Gammatone頻率倒譜繫數算法
3.1.2改進的經驗模態分解算法
3.1.3構建多維特征向量
3.2基於多維特征的深度學習分類識別方法
3.2.1高斯混合模型
3.2.2深度神經網絡
3.2.3MDNN算法描述
3.2.4MFF-MDNN描述
3.3實驗結果與分析
本章小結
參考文獻
第4章基於CWGAN-GP&DR的改進CNN水下聲吶圖像分類方法
4.1生成對抗網絡模型
4.1.1生成器
4.1.2判別器
4.1.3損失函數
4.1.4訓練過程
4.2基於梯度懲罰Wasserstein生成對抗網絡模型
4.3基於條件生成對抗網絡模型
4.4支持向量機算法
4.5基於CWGAN-GP&DR的改進CNN分類方法
4.5.1構建CWGAN-GP&DR網絡模型
4.5.2改進的卷積神經網絡
4.5.3CWGAN-GP&DR的改進CNN算法描述
4.6實驗結果與分析
本章小結
參考文獻
第5章基於類意識領域自適應的水下聲吶圖像無監督分類方法
5.1無監督領域自適應
5.2數據集的構建
5.3基於殘差網絡的遷移學習無監督分類方法
5.4基於深度聚類網絡的無監督分類方法
5.5對抗自編碼器
5.6構建基於類意識領域自適應的無監督分類網絡模型
5.7CCUDA網絡模型的泛化界
5.7.1泛化界基礎理論
5.7.2CCUDA網絡模型的泛化上界
5.7.3CCUDA網絡模型的領域自適應泛化上界
5.8實驗結果與分析
本章小結
參考文獻