基於深度學習的水下信息處理方法研究

內容簡介

本書以深度學習相關理論為主要研究方法,通過對聲吶獲取的水下聲信號信息數據和水下聲吶成像的圖像信息數據進行處理,探討了基於堆疊式卷積稀疏降噪自編碼器的水下異構信息數據降噪方法、基於多維特徵的深度學習水下聲信號目標分類識別方法、基於 CWGAN GP&DR的改進 CNN水下聲吶圖像分類方法和基於類意識領域自適應的水下聲吶圖像無監督分類方法,為充分利用海洋信息數據提供了重要的理論研究基礎和技術實踐經驗。

本書內容翔實,自成一體,可作為計算機科學與技術、水聲工程、智慧型科學與工程等領域研究的重要參考書,也可作為相關科學領域的研究參考。

圖書目錄

第1章緒論

1.1水下信息處理方法的意義和價值

1.2國內外研究現狀及發展動態

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套用

本章小結

參考文獻

第2章基於堆疊式卷積稀疏降噪自編碼器的水下異構信息數據降噪方法

2.1水下信息數據的噪聲模型

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據集

2.2.1模擬水下聲信號數據集

2.2.2模擬水下聲吶圖像數據集

2.2.3異構信息數據進行預處理

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路

2.3.3卷積神經網路

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水下聲信號信息數據降噪

2.4.3水下聲吶圖像信息數據降噪

2.4.4算法運行時間對比實驗

本章小結

參考文獻

第3章基於多維特徵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徵向量

3.1.1Gammatone頻率倒譜係數算法

3.1.2改進的經驗模態分解算法

3.1.3構建多維特徵向量

3.2基於多維特徵的深度學習分類識別方法

3.2.1高斯混合模型

3.2.2深度神經網路

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章基於CWGAN-GP&DR的改進CNN水下聲吶圖像分類方法

4.1生成對抗網路模型

4.1.1生成器

4.1.2判別器

4.1.3損失函式

4.1.4訓練過程

4.2基於梯度懲罰Wasserstein生成對抗網路模型

基於深度學習的水下信息處理方法研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條