水声目标智能感知方法

　　《水声目标智能感知方法》从两个方面开展水声目标感知研究，一方面，基于深度学习具有从大体量低价值数据中寻找模糊稀疏特性的天然优势，及其在处理非线性问题上显示出巨大的潜力，通过建立合适的深度学习算法对水声信号进行分析处理来辨识判断目标：另一方面，通过多水声传感器节点部署与自主组网、自动事件发现和数据传递、多节点自主协同目标探测发现和定位，实现基于水下无线传感器网络的水声目标感知。书中内容丰富，层次分明，学术水平高，模型方法具有□□性，在水声目标感知、探测和识别的基础研究上具有重要的理论价值和实践意义。《水声目标智能感知方法》可作为高等院校海洋目标感知、探测与识别专业以及人工智能专业师生的参考书，对从事水声信息处理和人工智能等研究的科研人员，以及在此领域内从事生产、实验和应用的技术人员应具有一定的参考价值。

暂缺《水声目标智能感知方法》作者简介

第1章 绪论
1．1 引言
1．1．1 基于深度学习的水声目标感知
1．1．2 多节点协同水声目标智能感知
1．2 本书结构
1．3 相关知识
1．3．1 目标辐射噪声
1．3．2 海洋环境背景噪声
1．3．3 深度学习
1．3．4 水下无线传感器网络发展历程
1．4 国内外研究现状
1．4．1 水声信号数据预处理方法研究现状
1．4．2 特征提取方法研究现状
1．4．3 水声目标识别分类模型研究现状
1．4．4 水下无线传感器网络部署与组网研究现状
1．4．5 水下无线传感器网络数据存取研究现状
1．4．6 水下无线传感器网络性能分析研究现状
第2章 水声信号抗噪表示与数据扩充方法
2．1 引言
2．2 相关知识
2．3 ia-PNCC的水下目标噪声特征提取
2．3．1 多级正交窗代替汉明窗
2．3．2 对水声信号舍弃预加重处理
2．3．3 Gammatone滤波器组归一化
2．4 对称学习数据扩充模型
2．4．1 模型设计与训练
2．4．2 相似-重合损失函数
2．5 试验与结果分析
2．5．1 试验设置
2．5．2 基于ia-PNCC处理的数据试验与分析
2．5．3 对称学习数据扩充模型试验与结果分析
第3章 基于位置与通道信息的卷积优化方法
3．1 引言
3．2 背景知识
3．3 特征加权的卷积优化方法
3．3．1 特征图加权构建过程
3．3．2 特征位置权值计算方法
3．3．3 特征空间权重计算方法
3．4 试验与结果分析
3．4．1 试验设置
3．4．2 LoFAR谱分析
3．4．3 特征提取所用网络模型
3．4．4 结果及分析
第4章 基于注意力机制的水声信号分类卷积神经网络模型
4．1 引言
4．2 问题描述
4．3 基于注意力机制的卷积神经网络
4．3．1MFCC的数据拼接
4．3．2 卷积神经网络池化操作分析
4．3．3 基于注意力机制卷积神经网络的结构改进
4．4 试验与结果分析
4．4．1 试验数据集
4．4．2 对卷积网络结构调整的试验
4．4．3 特征提取及试验结果比较
第5章 基于聚类的水声信号增量集成分类方法
5．1 引言
5．2 问题描述
5．3 基于聚类的增量学习方法
5．3．1 增量负相关差异表示方法
5．3．2 聚类选择性负相关集成方法
5．4 试验与结果分析
……
第6章 水下无线传感器网络立体交叉部署与自主组网方法
第7章 基于引导图的水下无线传感器网络数据自主存取机制
第8章 水下无线传感器网络整体性能四测度模型与网络优化方法
第9章 基于水下无线传感器网络的多节点协同目标发现计算模型
第10章 基于声线的多节点协同目标定位跟踪
参考文献