基于深度学习的水下目标识别的研究

目录

缩略词表

第一章绪论

1.1 研究工作的背景与意义

1.2 国内外研究历史与现状

1.2.1 传统机器学习方法水下目标识别技术研究现状

1.2.2 深度学习在水下目标识别的研究现状

1.3.1 研究内容

1.3.2 结构安排

第二章传统机器学习方法水下目标识别

2.1 传统机器学习方法的水下目标识别框架

2.2.1 舰船辐射噪声的产生机理及频谱结构

2.2.2 舰船辐射噪声仿真

2.3 传统机器学习水下目标信号识别MFCC特征提取

2.4 传统机器学习水下目标信号识别SVM分类器

2.4.1 线性支持向量机

2.4.2 非线性支持向量机

2.4.3 SVM的多分类方式

2.5 传统机器学习方法下水下目标识别实验

2.6 本章小结

第三章水下目标信号特征预处理方法

3.1 基于深度学习的水下目标识别框架构建

3.2 基于谐振的稀疏信号分解算法

3.2.1 可调的Q因子小波变换

3.2.2 形态学成分分析

3.2.3 算法的有效性检验

3.3 基于多步判决的LOFAR 谱线谱增强

3.3.1 LOFAR谱构造与线谱代价函数分析

3.3.2 基于多步判决的滑动窗线谱提取算法

3.3.3 舰船辐射噪声线谱增强效果

3.4 本章小结

第四章基于经典深度学习网络结构的水下目标识别

4.1 深度学习分类问题评价体系

4.1.1 准确率与混淆矩阵

4.1.2 ROC曲线与AUC值

4.2 基于卷积神经网络的水下目标识别

4.2.1 卷积神经网络的原理

4.2.2 基于卷积神经网络的水下目标识别架构设计

4.2.3 基于卷积神经网络的水下目标识别实验验证

4.3 基于长短时记忆网络的水下目标识别

4.3.1 长短时记忆网络的原理

4.3.2 基于长短时记忆网络的水下目标识别架构设计

4.3.3 基于长短时记忆网络的水下目标识别实验验证

4.4.1 实测舰船辐射噪声下的比较分析

4.4.2 仿真舰船辐射噪声下的比较分析

4.5 本章小结

第五章 总结与展望

5.1 论文内容总结

5.2 未来的工作展望

致谢

参考文献

攻读硕士学位期间参加的项目与取得的成果