基于深度學習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國內外研究現(xiàn)狀及發(fā)展動態(tài)
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章基于堆疊式卷積稀疏降噪自編碼器的水下異構信息數(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異構信息數(shù)據(jù)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(wǎng)絡
2.3.3卷積神經網(wǎng)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(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
參考文獻
第3章基于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頻率倒譜系數(shù)算法
3.1.2改進的經驗模態(tài)分解算法
3.1.3構建多維特征向量
3.2基于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(wǎng)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訓練過程
4.2基于梯度懲罰Wasserstein生成對抗網(wǎng)絡模型
4.3基于條件生成對抗網(wǎng)絡模型
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構建CWGAN-GP&DR網(wǎng)絡模型
4.5.2改進的卷積神經網(wǎng)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章基于類意識領域自適應的水下聲吶圖像無監(jiān)督分類方法
5.1無監(jiān)督領域自適應
5.2數(shù)據(jù)集的構建
5.3基于殘差網(wǎng)絡的遷移學習無監(jiān)督分類方法
5.4基于深度聚類網(wǎng)絡的無監(jiān)督分類方法
5.5對抗自編碼器
5.6構建基于類意識領域自適應的無監(jiān)督分類網(wǎng)絡模型
5.7CCUDA網(wǎng)絡模型的泛化界
5.7.1泛化界基礎理論
5.7.2CCUDA網(wǎng)絡模型的泛化上界
5.7.3CCUDA網(wǎng)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