幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於深度學習的水中目標分類識別技術(精)/現代水聲技術與應用叢書

  • 作者：曾向陽//王強|責編:王喜軍//高慧元//張震|總主編:楊德森
  • 出版社：龍門書局
  • ISBN：9787508863337
  • 出版日期：2023/07/01
  • 裝幀：精裝
  • 頁數：165
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    目標識別是水聲探測中的重要技術環節，也是一項難題。利用深度學習理論開展水聲目標信號特徵學習與分類識別，已成為當前的研究熱點。本書總結了作者及課題組近年來利用深度學習理論開展水中目標識別研究的成果。首先，探討了典型深度學習模型應用於水中目標識別的可行性問題，在此基礎上分別研究了卷積神經網路、循環神經網路、深度卷積生成對抗網路的原理、構建方法、參數優化方法及應用實例。其次，在不同信噪比等條件下，對深度神經網路與傳統方法以及不同的深度神經網路進行了對比分析，提出了改進方法，並進一步探討了深度半監督和無監督水中目標分類識別方法及參數聯合優化方法。最後，從功能需求、技術指標、關鍵技術等角度指出了智能水中目標識別技術的發展方向。
    本書可供從事水聲探測和水聲信號處理相關研究的工作人員參考，也可作為聲學、水聲工程等相關專業的研究生教學用書。
作者介紹
曾向陽//王強|責編:王喜軍//高慧元//張震|總主編:楊德森
目錄
叢書序
自序
第1章  水中目標分類識別技術基礎
  1.1  水中目標分類識別及其應用需求
  1.2  水中目標分類識別技術原理
    1.2.1  基本原理
    1.2.2  信號預處理
    1.2.3  特徵提取
    1.2.4  特徵選擇與融合
    1.2.5  分類決策
  1.3  水中目標分類識別技術研究現狀及存在的瓶頸問題
    1.3.1  研究現狀
    1.3.2  存在的瓶頸問題
  參考文獻
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
  2.1  深度學習概述
    2.1.1  深度學習及其發展
    2.1.2  重要概念
  2.2  典型深度學習演算法
    2.2.1  全連接深度神經網路
    2.2.2  卷積神經網路
    2.2.3  循環神經網路
  2.3  基於深度學習特徵的水中目標分類識別
    2.3.1  深度學習特徵提取方法
    2.3.2  自編碼器
    2.3.3  受限玻爾茲曼機
    2.3.4  實驗研究
  2.4  基於深度學習的多域特徵融合方法
    2.4.1  多域特徵融合
    2.4.2  多域特徵提取方法
    2.4.3  基於自編碼器的多域特徵融合
  參考文獻
第3章  基於卷積神經網路的水中目標分類識別
  3.1  適用於水中目標識別的卷積神經網路
  3.2  卷積核的正則化
  3.3  實驗結果及分析
  3.4  卷積神經網路模型的參數選擇
    3.4.1  卷積核尺寸參數優選
    3.4.2  卷積核深度參數優選
    3.4.3  學習率參數優選
    3.4.4  池化方式優選
  3.5  改進的CNN分類識別方法
    3.5.1  梯度優化
    3.5.2  輸入信號的前處理
  參考文獻
第4章  基於循環神經網路的水中目標分類識別
  4.1  幾種改進RNN的性能對比
  4.2  不同工況條件下的模型性能分析
    4.2.1  直行-轉彎工況模型魯棒性檢驗
    4.2.2  不同航行圈次工況模型魯棒性檢驗

  4.3  雜訊失配對模型性能的影響
  4.4  多尺度稀疏SRU模型
    4.4.1  簡單循環單元
    4.4.2  多尺度稀疏SRU分類模型
    4.4.3  實驗結果及分析
  參考文獻
第5章  基於深度生成對抗網路的水中目標識別
  5.1  生成對抗網路基本原理
  5.2  基於生成對抗網路的水中目標識別
    5.2.1  基於生成對抗網路的水中目標識別模型
    5.2.2  基於實測水聲數據的實驗驗證
    5.2.3  GAN模型輸出特徵可視化分析
  5.3  深度全連接生成對抗網路在水聲目標識別中的應用
  5.4  基於深度卷積生成對抗網路的水聲目標識別
  5.5  模型參數優選
    5.5.1  DFGAN模型參數優選
    5.5.2  DCGAN模型參數優選
  5.6  數據集對模型識別性能的影響
    5.6.1  有標籤樣本數量對模型性能的影響
    5.6.2  雜訊失配對模型性能的影響
  參考文獻
第6章  深度半監督和無監督水中目標分類識別
  6.1  水聲目標無監督與有監督學習的關係
  6.2  傳統聚類演算法
    6.2.1  k-means演算法
    6.2.2  GMM
    6.2.3  層次聚類演算法
    6.2.4  自組織映射聚類演算法
    6.2.5  模糊聚類演算法
  6.3  DP-GMM聚類方法
  6.4  水聲數據聚類實驗及分析
    6.4.1  評價指標
    6.4.2  參數設置
    6.4.3  實驗結果及分析
  6.5  無監督聚類中的概率分佈失配問題
  6.6  深度生成式聚類模型及其學習方法
    6.6.1  GBGG-DBM網路概率模型
    6.6.2  聯合優化演算法
    6.6.3  實驗結果及分析
  參考文獻
第7章  水中目標識別技術發展趨勢
  7.1  水中目標識別技術總體發展趨勢
    7.1.1  功能需求和技術指標發展趨勢
    7.1.2  軟硬體設計發展趨勢
    7.1.3  關鍵技術發展趨勢
  7.2  深度學習應用於水中目標識別尚需解決的問題和解決思路
    7.2.1  尚需解決的問題
    7.2.2  解決思路
  參考文獻
索引

彩圖

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032