圖書盲袋，以書為“藥”
歡迎光臨中圖網(wǎng) 請 | 注冊
> >>
基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù)

基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù)

出版社：龍門書局出版時間：2023-07-01
開本： B5 頁數(shù)： 180
中 圖 價:¥90.9(7.1折) 定價  ¥128.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù) 版權(quán)信息

基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù) 本書特色

本書可供從事水聲探測和水聲信號處理相關(guān)研究的工作人員參考，也可作為聲學(xué)、水聲工程等相關(guān)專業(yè)的研究生教學(xué)用書。

基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù) 內(nèi)容簡介

目標(biāo)識別是水聲探測中的重要技術(shù)環(huán)節(jié)，也是一項難題。利用深度學(xué)習(xí)理論開展水聲目標(biāo)信號特征學(xué)習(xí)與分類識別，已成為當(dāng)前的研究熱點。本書總結(jié)了作者及課題組近年來利用深度學(xué)習(xí)理論開展水中目標(biāo)識別研究的成果。首先，探討了典型深度學(xué)習(xí)模型應(yīng)用于水中目標(biāo)識別的可行性問題，在此基礎(chǔ)上分別研究了卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度卷積生成對抗網(wǎng)絡(luò)的原理、構(gòu)建方法、參數(shù)優(yōu)化方法及應(yīng)用實例。其次，在不同信噪比等條件下，對深度神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)方法以及不同的深度神經(jīng)網(wǎng)絡(luò)進行了對比分析，提出了改進方法，并進一步探討了深度半監(jiān)督和無監(jiān)督水中目標(biāo)分類識別方法及參數(shù)聯(lián)合優(yōu)化方法。*后，從功能需求、技術(shù)指標(biāo)、關(guān)鍵技術(shù)等角度指出了智能水中目標(biāo)識別技術(shù)的發(fā)展方向。

基于深度學(xué)習(xí)的水中目標(biāo)分類識別技術(shù) 目錄

目錄 叢書序 自序 第1章 水中目標(biāo)分類識別技術(shù)基礎(chǔ) 1 1.1 水中目標(biāo)分類識別及其應(yīng)用需求 1 1.2 水中目標(biāo)分類識別技術(shù)原理 2 1.2.1 基本原理 2 1.2.2 信號預(yù)處理 5 1.2.3 特征提取 8 1.2.4 特征選擇與融合 10 1.2.5 分類決策 12 1.3 水中目標(biāo)分類識別技術(shù)研究現(xiàn)狀及存在的瓶頸問題 15 1.3.1 研究現(xiàn)狀 15 1.3.2 存在的瓶頸問題 17 參考文獻 20 第2章 深度學(xué)習(xí)理論及其在水中目標(biāo)分類識別中的適用性 23 2.1 深度學(xué)習(xí)概述 23 2.1.1 深度學(xué)習(xí)及其發(fā)展 23 2.1.2 重要概念 24 2.2 典型深度學(xué)習(xí)算法 32 2.2.1 全連接深度神經(jīng)網(wǎng)絡(luò) 33 2.2.2 卷積神經(jīng)網(wǎng)絡(luò) 35 2.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 40 2.3 基于深度學(xué)習(xí)特征的水中目標(biāo)分類識別 44 2.3.1 深度學(xué)習(xí)特征提取方法 44 2.3.2 自編碼器 45 2.3.3 受限玻爾茲曼機 49 2.3.4 實驗研究 51 2.4 基于深度學(xué)習(xí)的多域特征融合方法 54 2.4.1 多域特征融合 54 2.4.2 多域特征提取方法 56 2.4.3 基于自編碼器的多域特征融合 65 參考文獻 67 第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的水中目標(biāo)分類識別 69 3.1 適用于水中目標(biāo)識別的卷積神經(jīng)網(wǎng)絡(luò) 69 3.2 卷積核的正則化 70 3.3 實驗結(jié)果及分析 72 3.4 卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)選擇 76 3.4.1 卷積核尺寸參數(shù)優(yōu)選 76 3.4.2 卷積核深度參數(shù)優(yōu)選 79 3.4.3 學(xué)習(xí)率參數(shù)優(yōu)選 82 3.4.4 池化方式優(yōu)選 84 3.5 改進的CNN分類識別方法 85 3.5.1 梯度優(yōu)化 85 3.5.2 輸入信號的前處理 87 參考文獻 91 第4章 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的水中目標(biāo)分類識別 92 4.1 幾種改進RNN的性能對比 92 4.2 不同工況條件下的模型性能分析 95 4.2.1 直行-轉(zhuǎn)彎工況模型魯棒性檢驗 95 4.2.2 不同航行圈次工況模型魯棒性檢驗 98 4.3 噪聲失配對模型性能的影響 101 4.4 多尺度稀疏SRU模型 104 4.4.1 簡單循環(huán)單元 104 4.4.2 多尺度稀疏SRU分類模型 104 4.4.3 實驗結(jié)果及分析 106 參考文獻 110 第5章 基于深度生成對抗網(wǎng)絡(luò)的水中目標(biāo)識別 112 5.1 生成對抗網(wǎng)絡(luò)基本原理 112 5.2 基于生成對抗網(wǎng)絡(luò)的水中目標(biāo)識別 114 5.2.1 基于生成對抗網(wǎng)絡(luò)的水中目標(biāo)識別模型 114 5.2.2 基于實測水聲數(shù)據(jù)的實驗驗證 116 5.2.3 GAN模型輸出特征可視化分析 117 5.3 深度全連接生成對抗網(wǎng)絡(luò)在水聲目標(biāo)識別中的應(yīng)用 121 5.4 基于深度卷積生成對抗網(wǎng)絡(luò)的水聲目標(biāo)識別 123 5.5 模型參數(shù)優(yōu)選 125 5.5.1 DFGAN模型參數(shù)優(yōu)選 125 5.5.2 DCGAN模型參數(shù)優(yōu)選 126 5.6 數(shù)據(jù)集對模型識別性能的影響 127 5.6.1 有標(biāo)簽樣本數(shù)量對模型性能的影響 128 5.6.2 噪聲失配對模型性能的影響 129 參考文獻 131 第6章 深度半監(jiān)督和無監(jiān)督水中目標(biāo)分類識別 132 6.1 水聲目標(biāo)無監(jiān)督與有監(jiān)督學(xué)習(xí)的關(guān)系 132 6.2 傳統(tǒng)聚類算法 134 6.2.1 k-means算法 134 6.2.2 GMM 135 6.2.3 層次聚類算法 138 6.2.4 自組織映射聚類算法 138 6.2.5 模糊聚類算法 138 6.3 DP-GMM聚類方法 139 6.4 水聲數(shù)據(jù)聚類實驗及分析 142 6.4.1 評價指標(biāo) 142 6.4.2 參數(shù)設(shè)置 143 6.4.3 實驗結(jié)果及分析 144 6.5 無監(jiān)督聚類中的概率分布失配問題 145 6.6 深度生成式聚類模型及其學(xué)習(xí)方法 148 6.6.1 GBGG-DBM網(wǎng)絡(luò)概率模型 149 6.6.2 聯(lián)合優(yōu)化算法 152 6.6.3 實驗結(jié)果及分析 153 參考文獻 157 第7章 水中目標(biāo)識別技術(shù)發(fā)展趨勢 158 7.1 水中目標(biāo)識別技術(shù)總體發(fā)展趨勢 158 7.1.1 功能需求和技術(shù)指標(biāo)發(fā)展趨勢 158 7.1.2 軟硬件設(shè)計發(fā)展趨勢 159 7.1.3 關(guān)鍵技術(shù)發(fā)展趨勢 160 7.2 深度學(xué)習(xí)應(yīng)用于水中目標(biāo)識別尚需解決的問題和解決思路 160 7.2.1 尚需解決的問題 160 7.2.2 解決思路 161 參考文獻 163 索引 164 彩圖
展開全部
商品評論(0條)
暫無評論……
書友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服