论文目录 | |
| 摘要 | 第1-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 水下声信号识别研究现状 | 第12-13页 |
| 1.3 基于深度学习的模式识别发展现状 | 第13-15页 |
| 1.4 本文主要内容 | 第15-16页 |
| 第二章 水下声信号分类识别基本原理 | 第16-27页 |
| 2.1 传统分类识别系统模型 | 第16-17页 |
| 2.1.1 信号预处理过程 | 第16页 |
| 2.1.2 特征提取 | 第16-17页 |
| 2.1.3 特征压缩 | 第17页 |
| 2.1.4 分类器设计 | 第17页 |
| 2.2 常用的水下声信号特征提取技术 | 第17-21页 |
| 2.2.1 短时傅里叶变换和LOFAR谱图 | 第18-19页 |
| 2.2.2 Mel频率倒谱系数 | 第19-21页 |
| 2.3 特征融合与特征选择 | 第21-22页 |
| 2.3.1 特征融合技术 | 第21页 |
| 2.3.2 Fisher评分特征选择算法 | 第21-22页 |
| 2.4 传统分类器的设计 | 第22-25页 |
| 2.4.1 误差反向传播算法 | 第22-23页 |
| 2.4.2 支持向量机 | 第23-25页 |
| 2.5 基于深度学习方法的分类识别系统框架 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于深度学习方法的船舶类水声信号分类识别研究 | 第27-48页 |
| 3.1 利用传统方法对船舶类水声信号进行分类识别 | 第27-36页 |
| 3.1.1 船舶类数据集 | 第27页 |
| 3.1.2 基于MFCC特征和支持向量机的识别模型 | 第27-30页 |
| 3.1.3 基于MFCC特征和BPNN的识别模型 | 第30-31页 |
| 3.1.4 基于Fisher评分特征选择及带权重的最近邻分类识别模型 | 第31-36页 |
| 3.2 利用深度置信网络对船舶类水声信号进行分类识别 | 第36-41页 |
| 3.2.1 受限玻尔兹曼机 | 第36-38页 |
| 3.2.2 深度置信网络 | 第38页 |
| 3.2.3 基于深度置信网络的船舶类水声信号识别模型 | 第38-41页 |
| 3.3 利用卷积神经网络对船舶类水声信号进行分类识别 | 第41-47页 |
| 3.3.1 CNN实现策略 | 第41-42页 |
| 3.3.2 CNN结构 | 第42-45页 |
| 3.3.3 基于卷积神经网络的船舶类水声信号识别模型 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于深度学习方法的鲸类叫声信号分类识别研究 | 第48-65页 |
| 4.1 利用传统方法对鲸类叫声信号进行分类识别 | 第48-54页 |
| 4.1.1 鲸类叫声数据集 | 第48-49页 |
| 4.1.2 基于特征融合方法及BPNN的鲸类叫声识别系统 | 第49-52页 |
| 4.1.3 基于特征融合方法及支持向量机的鲸类叫声识别系统 | 第52-54页 |
| 4.2 利用卷积神经网络对鲸类叫声信号进行分类识别 | 第54-58页 |
| 4.2.1 鲸类叫声数据预处理及数据增强 | 第54-55页 |
| 4.2.2 鲸类叫声识别模型的卷积神经网络结构 | 第55-56页 |
| 4.2.3 模型训练及测试 | 第56-58页 |
| 4.3 利用迁移学习方法对鲸类叫声信号进行分类识别 | 第58-61页 |
| 4.4 通过相似性分析检验网络“抽象特征”表征能力 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者在学期间取得的学术成果 | 第73页 |
