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(jià)值
1.2國內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)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(xiàn)
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(hào)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(jìn)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(shí)驗(yàn)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(hào)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(yùn)行時(shí)間對(duì)比實(shí)驗(yàn)
本章小結(jié)
參考文獻(xiàn)
第3章基于多維特征的深度學(xué)習(xí)水下聲信號(hào)目標(biāo)分類識(shí)別方法
3.1構(gòu)建水下聲信號(hào)目標(biāo)多維特征向量
3.1.1Gammatone頻率倒譜系數(shù)算法
3.1.2改進(jìn)的經(jīng)驗(yàn)?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(shí)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(shí)驗(yàn)結(jié)果與分析
本章小結(jié)
參考文獻(xiàn)
第4章基于CWGAN-GP&DR的改進(jìn)CNN水下聲吶圖像分類方法
4.1生成對(duì)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(duì)抗網(wǎng)絡(luò)模型
4.3基于條件生成對(duì)抗網(wǎng)絡(luò)模型
4.4支持向量機(jī)算法
4.5基于CWGAN-GP&DR的改進(jìn)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(jìn)的卷積神經(jīng)網(wǎng)絡(luò)
4.5.3CWGAN-GP&DR的改進(jìn)CNN算法描述
4.6實(shí)驗(yàn)結(jié)果與分析
本章小結(jié)
參考文獻(xiàn)
第5章基于類意識(shí)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(duì)抗自編碼器
5.6構(gòu)建基于類意識(shí)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(shí)驗(yàn)結(jié)果與分析
本章小結(jié)
參考文獻(xiàn)