基于深度学习的水下信息处理方法研究

　　本书以深度学习相关理论为主要研究方法，通过对声呐获取的水下声信号信息数据和水下声呐成像的图像信息数据进行处理，探讨了基于堆叠式卷积稀疏降噪自编码器的水下异构信息数据降噪方法、基于多维特征的深度学习水下声信号目标分类识别方法、基于 CWGAN GP&DR的改进 CNN水下声呐图像分类方法和基于类意识领域自适应的水下声呐图像无监督分类方法，为充分利用海洋信息数据提供了重要的理论研究基础和技术实践经验。 本书内容翔实，自成一体，可作为计算机科学与技术、水声工程、智能科学与工程等领域研究的重要参考书，也可作为相关科学领域的研究参考。

暂缺《基于深度学习的水下信息处理方法研究》作者简介

第1章绪论
1.1水下信息处理方法的意义和价值
1.2国内外研究现状及发展动态
1.2.1水下信息处理技术
1.2.2深度学习在信息处理技术中的应用
本章小结
参考文献
第2章基于堆叠式卷积稀疏降噪自编码器的水下异构信息数据降噪方法
2.1水下信息数据的噪声模型
2.1.1加性高斯白噪声模型
2.1.2乘性散斑噪声模型
2.2模拟水下异构信息数据集
2.2.1模拟水下声信号数据集
2.2.2模拟水下声呐图像数据集
2.2.3异构信息数据进行预处理
2.3堆叠式卷积稀疏降噪自编码器
2.3.1稀疏降噪自编码器
2.3.2堆叠式稀疏降噪自编码器网络
2.3.3卷积神经网络
2.3.4构建堆叠式卷积稀疏降噪自编码器模型
2.4实验结果与分析
2.4.1降噪结果向量处理
2.4.2水下声信号信息数据降噪
2.4.3水下声呐图像信息数据降噪
2.4.4算法运行时间对比实验
本章小结
参考文献
第3章基于多维特征的深度学习水下声信号目标分类识别方法
3.1构建水下声信号目标多维特征向量
3.1.1Gammatone频率倒谱系数算法
3.1.2改进的经验模态分解算法
3.1.3构建多维特征向量
3.2基于多维特征的深度学习分类识别方法
3.2.1高斯混合模型
3.2.2深度神经网络
3.2.3MDNN算法描述
3.2.4MFF-MDNN描述
3.3实验结果与分析
本章小结
参考文献
第4章基于CWGAN-GP&DR的改进CNN水下声呐图像分类方法
4.1生成对抗网络模型
4.1.1生成器
4.1.2判别器
4.1.3损失函数
4.1.4训练过程
4.2基于梯度惩罚Wasserstein生成对抗网络模型
4.3基于条件生成对抗网络模型
4.4支持向量机算法
4.5基于CWGAN-GP&DR的改进CNN分类方法
4.5.1构建CWGAN-GP&DR网络模型
4.5.2改进的卷积神经网络
4.5.3CWGAN-GP&DR的改进CNN算法描述
4.6实验结果与分析
本章小结
参考文献
第5章基于类意识领域自适应的水下声呐图像无监督分类方法
5.1无监督领域自适应
5.2数据集的构建
5.3基于残差网络的迁移学习无监督分类方法
5.4基于深度聚类网络的无监督分类方法
5.5对抗自编码器
5.6构建基于类意识领域自适应的无监督分类网络模型
5.7CCUDA网络模型的泛化界
5.7.1泛化界基础理论
5.7.2CCUDA网络模型的泛化上界
5.7.3CCUDA网络模型的领域自适应泛化上界
5.8实验结果与分析
本章小结
参考文献