基于深度学习的深浅海水声信号分类识别技术

　　本书详细介绍了如何利用深度学习方法处理水声通信中常见的时间衰落、信号长度变化以及多普勒效应等问题，以在深浅海多途干扰信道下实现高效准确的水声通信信号自动识别。本书可供水声通信领域的工程技术人员和科研人员阅读，也可供高等院校相关专业的师生参考。

暂缺《基于深度学习的深浅海水声信号分类识别技术》作者简介

1 绪论
1.1 概述
1.2 外研究现状
1.2.1 LB识别法
1.2.2 FB识别法
1.2.3 基于深度学习的调制识别方法
1.3 主要内容
1.4 本书结构安排
2 理论基础
2.1 水声信道特征
2.1.1 浅海水声信道特征
2.1.2 深海水声信道特征
2.1.3 深浅海水声信道影响通信的因素分析
2.2 水声通信特性
2.2.1 时间衰落模型
2.2.2 变化信号长度
2.2.3 多普勒效应
2.2.4 其他影响因素
2.3 水声通信模型和通信调制体制
2.3.1 水声信道模型
2.3.2 水声通信常用调制体制
2.4 深度神经网络
2.4.1 网络结构形式
2.4.2 传统神经网络方法
2.4.3 常用深度学习技术
2.5 信号数据集的产生方式
2.5.1 深浅海信道形式
2.5.2 水声信号数据集产生方式
2.6 本章小结
3 异构与短连接网络在不同时间衰落模型下的信号调制识别
3.1 异构卷积神经网络结构
3.1.1 卷积神经网络运算方式
3.1.2 具有池化操作的正向与反向传播过程推导
3.1.3 异构网络结构设计
3.2 深层短连接网络结构形式
3.2.1 梯度消失问题分析
3.2.2 深层短连接网络架构设计
3.3 实验分析
3.3.1 基于异构网络的浅海仿真实验
3.3.2 基于短连接网络的深海仿真实验
3.4 本章小结
4 基于深度分支和稀疏多路网络结构的变化长度信号调制识别
4.1 基于浅海的分支网络结构
4.1.1 样本批量标准化
4.1.2 映射向量全局平均池化
4.1.3 分支网络结构模型
4.2 基于深海的稀疏多路网络模型
4.2.1 稀疏网络结构形式
4.2.2 稀疏多路网络结构
4.3 实验分析