目錄 叢書序 自序 第1章 水中目標分類識別技術基礎 1 1.1 水中目標分類識別及其應用需求 1 1.2 水中目標分類識別技術原理 2 1.2.1 基本原理 2 1.2.2 信號預處理 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 水中目標分類識別技術研究現狀及存在的瓶頸問題 15 1.3.1 研究現狀 15 1.3.2 存在的瓶頸問題 17 參考文獻 20 第2章 深度學習理論及其在水中目標分類識別中的適用性 23 2.1 深度學習概述 23 2.1.1 深度學習及其發展 23 2.1.2 重要概念 24 2.2 典型深度學習算法 32 2.2.1 全連接深度神經網絡 33 2.2.2 卷積神經網絡 35 2.2.3 循環神經網絡 40 2.3 基于深度學習特征的水中目標分類識別 44 2.3.1 深度學習特征提取方法 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 基于深度學習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 基于卷積神經網絡的水中目標分類識別 69 3.1 適用于水中目標識別的卷積神經網絡 69 3.2 卷積核的正則化 70 3.3 實驗結果及分析 72 3.4 卷積神經網絡模型的參數選擇 76 3.4.1 卷積核尺寸參數優選 76 3.4.2 卷積核深度參數優選 79 3.4.3 學習率參數優選 82 3.4.4 池化方式優選 84 3.5 改進的CNN分類識別方法 85 3.5.1 梯度優化 85 3.5.2 輸入信號的前處理 87 參考文獻 91 第4章 基于循環神經網絡的水中目標分類識別 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 簡單循環單元 104 4.4.2 多尺度稀疏SRU分類模型 104 4.4.3 實驗結果及分析 106 參考文獻 110 第5章 基于深度生成對抗網絡的水中目標識別 112 5.1 生成對抗網絡基本原理 112 5.2 基于生成對抗網絡的水中目標識別 114 5.2.1 基于生成對抗網絡的水中目標識別模型 114 5.2.2 基于實測水聲數據的實驗驗證 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絡在水聲目標識別中的應用 121 5.4 基于深度卷積生成對抗網絡的水聲目標識別 123 5.5 模型參數優選 125 5.5.1 DFGAN模型參數優選 125 5.5.2 DCGAN模型參數優選 126 5.6 數據集對模型識別性能的影響 127 5.6.1 有標簽樣本數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 深度半監督和無監督水中目標分類識別 132 6.1 水聲目標無監督與有監督學習的關系 132 6.2 傳統聚類算法 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 水聲數據聚類實驗及分析 142 6.4.1 評價指標 142 6.4.2 參數設置 143 6.4.3 實驗結果及分析 144 6.5 無監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習方法 148 6.6.1 GBGG-DBM網絡概率模型 149 6.6.2 聯合優化算法 152 6.6.3 實驗結果及分析 153 參考文獻 157 第7章 水中目標識別技術發展趨勢 158 7.1 水中目標識別技術總體發展趨勢 158 7.1.1 功能需求和技術指標發展趨勢 158 7.1.2 軟硬件設計發展趨勢 159 7.1.3 關鍵技術發展趨勢 160 7.2 深度學習應用于水中目標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