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

機器學習與水聲目標識別

  • 作者：楊宏暉//李俊豪|責編:王曉慶
  • 出版社：電子工業
  • ISBN：9787121510854
  • 出版日期：2025/08/01
  • 裝幀：平裝
  • 頁數：334
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統深入地論述了機器學習與水聲目標識別的理論和方法，內容從基礎理論到實際應用，涵蓋了複雜海洋環境下水聲目標特性、機器學習與水聲目標識別的基本理論、經典機器學習演算法在水聲目標識別中的應用、專用深度學習水聲目標識別方法、類腦聽覺深度學習水聲目標識別方法及水聲目標深度識別網路的可視化與可解釋；並詳細論述了面向邊緣設備的水聲目標深度學習識別系統的設計、部署與優化策略。本書還提供了豐富的實戰演算法與工程實踐案例。
    本書可作為高等院校人工智慧、水聲工程等專業的課程參考書，也可供電腦信息處理、水聲信號處理等領域從事人工智慧、模式識別、機器學習、數據挖掘工作的學者、工程師等參考。
作者介紹
楊宏暉//李俊豪|責編:王曉慶
目錄
第1章  水聲目標識別基本原理
  1.1  水聲目標識別系統
  1.2  基於機器學習的水聲目標識別系統的工作原理
  1.3  水聲目標特徵提取
    1.3.1  時域波形結構特徵提取
    1.3.2  頻域譜特徵提取
    1.3.3  時頻分析特徵提取
    1.3.4  聽覺感知特徵提取
  1.4  水聲目標特徵選擇
  1.5  水聲目標識別的分類器設計
  1.6  基於深度學習的水聲目標識別
  1.7  基於類腦智能的水聲目標識別
  1.8  本章小結
  參考文獻
第2章  海洋中的聲音
  2.1  聲音的基本概念
    2.1.1  聲音
    2.1.2  聲音的基本參量
  2.2  海洋雜訊綜述
    2.2.1  海洋中的聲音類型
    2.2.2  艦船輻射雜訊
    2.2.3  海洋哺乳動物叫聲
  2.3  船舶類型及分類規則
    2.3.1  勞埃德船級社船舶類型劃分方法
    2.3.2  按照國際海事組織規定進行船舶類型劃分
  2.4  海洋聲環境特性
    2.4.1  海洋聲傳播損失
    2.4.2  海洋聲傳播理論
    2.4.3  海洋聲通道特性
  2.5  海洋環境雜訊特性
  2.6  艦船輻射雜訊特性
    2.6.1  艦船輻射雜訊的組成及特性
    2.6.2  船舶工況對艦船輻射雜訊特性的影響
    2.6.3  基於特徵分析的艦船輻射雜訊特性分析
  2.7  海洋哺乳動物叫聲特性
  2.8  本書使用的水聲目標數據
    2.8.1  艦船輻射雜訊數據
    2.8.2  海洋哺乳動物叫聲數據
  2.9  本章小結
  參考文獻
第3章  機器學習基礎
  3.1  機器學習的概念
    3.1.1  機器學習問題
    3.1.2  機器學習演算法的分類
  3.2  回歸分析的含義、分類及應用
  3.3  一元線性回歸演算法
    3.3.1  一元線性回歸模型
    3.3.2  損失函數
    3.3.3  一元線性回歸應用實例
  3.4  一元線性回歸梯度下降求解方法

    3.4.1  隨機梯度下降法
    3.4.2  批量梯度下降法
    3.4.3  小批量梯度下降法
  3.5  多元線性回歸演算法
    3.5.1  多元線性回歸原理
    3.5.2  多元線性回歸應用實例
  3.6  邏輯回歸演算法
    3.6.1  邏輯回歸原理
    3.6.2  邏輯回歸應用實例
  3.7  常用的機器學習演算法評價指標
    3.7.1  欠擬合與過擬合
    3.7.2  機器學習模型的性能評價指標
  3.8  本章小結
第4章  水聲目標特徵提取
  4.1  水聲目標時頻域特徵提取方法
    4.1.1  波形結構特徵
    4.1.2  小波變換特徵
  4.2  水聲目標聽覺特徵提取方法
    4.2.1  心理聲學參數特徵
    4.2.2  聽覺譜特徵
  4.3  水聲目標特徵提取實驗
  4.4  本章小結
第5章  水聲目標特徵選擇與壓縮
  5.1  水聲目標特徵選擇定義
    5.1.1  特徵相關性定義
    5.1.2  特徵選擇定義
  5.2  特徵選擇過程
    5.2.1  特徵子集生成
    5.2.2  特徵子集評價
    5.2.3  特徵子集搜索的終止
    5.2.4  選擇結果確認
  5.3  特徵選擇方法及演算法實現
    5.3.1  濾波式
    5.3.2  封裝式
    5.3.3  混合式
    5.3.4  嵌入式
  5.4  特徵選擇演算法的評價指標
    5.4.1  特徵選擇演算法的兩個重要參數
    5.4.2  特徵選擇演算法的穩定性評價指標
  5.5  本章小結
第6章  基於支持向量機的水聲目標分類
  6.1  統計學習理論
    6.1.1  統計學習理論的研究背景
    6.1.2  機器學習模型
    6.1.3  經驗風險最小化原則
    6.1.4  統計學習理論的核心內容
  6.2  支持向量機水聲目標識別原理
    6.2.1  線性支持向量機
    6.2.2  非線性支持向量機
    6.2.3  SVM多類分類演算法

  6.3  支持向量機分類器的分類性能估計
  6.4  支持向量機核函數及其參數選擇與實驗
    6.4.1  SVM核函數及其參數的選擇演算法
    6.4.2  水聲目標數據的SVM核函數及其參數選擇實驗
  6.5  水聲目標識別實驗
    6.5.1  水聲目標數據的分類識別實驗
    6.5.2  公共數據集SVM分類識別實驗
    6.5.3  實驗結論
  6.6  本章小結
第7章  基於單類分類支持向量機的水聲目標半監督識別方法
  7.1  單類分類支持向量機原理與演算法實現
    7.1.1  單類分類支持向量機演算法
    7.1.2  支持向量數據描述演算法
    7.1.3  等價條件分析
  7.2  參數C、σ對分界面的影響
    7.2.1  錯分懲罰因子C對分界面的影響
    7.2.2  RBF核函數參數σ對分界面的影響
    7.2.3  SVDD參數選擇實驗
  7.3  基於Tri-training的半監督SVDD演算法與實驗
    7.3.1  Tri-SVDDE演算法
    7.3.2  基於Tri-SVDDE演算法的水聲目標識別實驗
  7.4  本章小結
第8章  水聲目標集成學習識別方法
  8.1  分類器集成概述
  8.2  經典分類器集成方法
    8.2.1  個體分類器構成
    8.2.2  個體分類器集成
  8.3  用於水聲目標識別的分類器選擇性集成演算法及實驗
  8.4  基於SVDD集成的水下目標識別
    8.4.1  SVDD分類器的Bagging集成
    8.4.2  基於SVDD的多類水下目標識別演算法
  8.5  本章小結
第9章  深度學習識別模型基礎
  9.1  深度神經網路基本演算法模塊
    9.1.1  人工神經元
    9.1.2  全連接神經網路
    9.1.3  自編碼器
    9.1.4  受限玻耳茲曼機
    9.1.5  循環神經網路及其變體
    9.1.6  卷積層及其變體
    9.1.7  池化層
    9.1.8  全局池化層
    9.1.9  注意力模塊
    9.1.10  生成對抗網路
    9.1.11  批量歸一化
    9.1.12  隨機失活
  9.2  經典激活函數的功能與特點
    9.2.1  Sigmoid激活函數
    9.2.2  tanh激活函數
    9.2.3  ReLU激活函數及其變體

    9.2.4  Softmax激活函數
  9.3  經典損失函數構建方法與性能
    9.3.1  平方損失
    9.3.2  均方誤差
    9.3.3  絕對誤差
    9.3.4  平均絕對誤差
    9.3.5  平均絕對百分比誤差
    9.3.6  對數損失函數
    9.3.7  交叉熵
  9.4  深度神經網路的優化演算法
    9.4.1  梯度下降演算法
    9.4.2  批量梯度下降演算法
    9.4.3  隨機梯度下降演算法
    9.4.4  小批量梯度下降演算法
    9.4.5  動量梯度下降演算法
    9.4.6  涅斯捷羅夫梯度加速演算法
    9.4.7  自適應的梯度下降演算法
    9.4.8  均方根傳遞
    9.4.9  自適應矩估計演算法
  9.5  深度學習識別演算法的評價指標
    9.5.1  混淆矩陣
    9.5.2  P-R曲線
    9.5.3  F1分數
    9.5.4  ROC曲線
    9.5.5  AUC
  參考文獻
第10章  用於水聲目標識別的深度學習方法、演算法及實驗
  10.1  基於深度置信網路的水聲目標識別
    10.1.1  基於深度置信網路的水聲目標識別原理
    10.1.2  競爭深度置信水聲目標識別原理
    10.1.3  實驗結果及分析
  10.2  基於深度卷積神經網路的水聲目標識別
    10.2.1  基於深度卷積神經網路的水聲目標識別原理
    10.2.2  艦船個體識別實驗
    10.2.3  艦船個體識別實驗結果及分析
    10.2.4  水聲通信調製識別實驗
    10.2.5  水聲通信調製識別實驗結果及分析
  10.3  用於水聲目標識別的時、頻、空域注意力深度學習
    10.3.1  基於通道注意力的水聲目標識別原理
    10.3.2  基於空間注意力的水聲目標識別原理
    10.3.3  基於頻率注意力的水聲目標識別原理
    10.3.4  基於倍頻注意力的水聲目標識別原理
    10.3.5  實驗數據及實驗設置
    10.3.6  實驗結果及分析
  10.4  用於水聲目標識別的時、頻、空域自注意深度學習
    10.4.1  基於水聲特徵通道自注意力機制的水聲目標識別原理
    10.4.2  基於水聲特徵時頻自注意力機制的水聲目標識別原理
    10.4.3  基於水聲特徵頻率自注意力機制的水聲目標識別原理
    10.4.4  實驗數據及實驗設置
    10.4.5  實驗結果及分析

  10.5  基於深度遞歸神經網路的水聲目標識別
    10.5.1  基於深度遞歸神經網路的水聲目標識別原理
    10.5.2  水聲目標識別實驗
    10.5.3  實驗結果及分析
  10.6  本章小結
第11章  基於深度集成學習的水聲目標識別方法
  11.1  深度神經網路集成學習理論和方法
    11.1.1  機器學習集成學習方法
    11.1.2  結合方法
    11.1.3  集成模型的性能影響因素
  11.2  深度神經網路集成學習的評價準則
  11.3  基於多樣性度量選擇性集成的深度水聲目標識別方法
    11.3.1  選擇性集成學習方法
    11.3.2  基於多樣性度量的識別模型子集選擇演算法
  11.4  基於多樣性度量選擇性集成的深度水聲目標識別實驗
    11.4.1  實驗方法
    11.4.2  實驗結果及分析
  11.5  本章小結
  參考文獻
第12章  基於圖神經網路的水聲目標識別方法
  12.1  圖神經網路基本原理
    12.1.1  圖的表示和性質
    12.1.2  基於譜的圖卷積方法
  12.2  水聲目標特徵圖構建
    12.2.1  水聲目標識別深度特徵提取
    12.2.2  水聲目標識別人工提取特徵
    12.2.3  水聲目標識別特徵圖的構建方法
  12.3  基於圖神經網路的水聲目標識別多特徵融合及識別系統
    12.3.1  圖神經網路結構及參數設置
    12.3.2  構建圖神經網路的輸入
    12.3.3  多特徵融合及調製方式識別
  12.4  基於圖神經網路的水聲目標識別實驗
    12.4.1  不同特徵子集對識別性能的影響分析實驗
    12.4.2  特徵圖邊關係對識別性能的影響分析實驗
    12.4.3  實測數據上的調製識別實驗
  12.5  本章小結
  參考文獻
第13章  水聲目標深度識別網路可視化與可解釋
  13.1  水聲目標深度識別網路的可視化與可解釋概述
    13.1.1  深度學習可視化與可解釋的目的及意義
    13.1.2  深度學習可視化與可解釋的原理
  13.2  水聲目標深度識別網路可視化與可解釋方法和實驗
    13.2.1  加權梯度類激活映射方法
    13.2.2  最大激活方法
    13.2.3  反卷積方法
    13.2.4  基於特徵降維t-SNE可視化方法
  13.3  本章小結
  參考文獻
第14章  腦聽覺感知及機制
  14.1  人類大腦基本概念

  14.2  人腦聽覺系統
    14.2.1  聽覺外周
    14.2.2  聽覺中樞
  14.3  腦聽覺機制
    14.3.1  聽覺頻率感知機制
    14.3.2  音色感知機制
    14.3.3  被動注意機制
    14.3.4  主動選擇性注意機制
  14.4  本章小結
  參考文獻
第15章  基於類腦聽覺深度學習的水聲目標識別方法、演算法及實驗
  15.1  基於神經競爭機制的深度水聲目標識別
    15.1.1  基於神經競爭機制的深度水聲目標識別的原理
    15.1.2  水聲目標識別實驗設計
    15.1.3  水聲目標識別實驗結果及分析
  15.2  基於聽覺濾波機制的深度水聲目標識別
    15.2.1  基於聽覺濾波機制的深度水聲目標識別的原理
    15.2.2  水聲目標識別實驗設計
    15.2.3  水聲目標識別實驗結果及分析
  15.3  基於深度頻率分解機制的深度水聲目標識別
    15.3.1  基於深度頻率分解機制的深度水聲目標識別原理
    15.3.2  水聲目標識別實驗設計
    15.3.3  水聲目標識別實驗結果及分析
  15.4  基於音色感知的深度水聲目標識別
    15.4.1  基於音色感知的深度水聲目標識別原理
    15.4.2  水聲目標識別實驗設計
    15.4.3  水聲目標識別實驗結果及分析
  15.5  基於多屬性協同感知的深度水聲目標識別
    15.5.1  基於多屬性協同感知的深度水聲目標識別原理
    15.5.2  水聲目標識別實驗設計
    15.5.3  水聲目標多屬性協同感知實驗結果及分析
  15.6  類腦水聲目標識別極深模型構建與優化
    15.6.1  類腦水聲目標識別極深模型原理
    15.6.2  水聲目標識別實驗設計
    15.6.3  水聲目標識別實驗結果及分析
  15.7  基於聽覺被動注意機制的水聲目標識別
    15.7.1  水聲目標聽覺被動注意理論與方法
    15.7.2  水聲目標聽覺被動注意模型的損失函數構建及優化方法
    15.7.3  單目標干擾條件下的水聲目標識別實驗設計
    15.7.4  單目標干擾條件下的水聲目標識別實驗結果及分析
  15.8  基於聽覺主/被動融合注意的深度水聲目標識別
    15.8.1  多目標干擾條件下的水聲目標識別問題
    15.8.2  基於深度學習的水聲目標聽覺主/被動融合注意識別框架
    15.8.3  水聲目標聽覺主動注意演算法
    15.8.4  多目標干擾條件下的決策方法
    15.8.5  多目標干擾條件下的水聲目標實驗數據及模型
    15.8.6  多目標干擾條件下的水聲目標識別實驗結果及分析
  15.9  本章小結
第16章  面向邊緣設備的水聲目標深度學習識別
  16.1  用於水聲目標識別的邊緣計算平台

  16.2  輕量化水聲目標識別深度學習模型
    16.2.1  深度神經網路輕量化
    16.2.2  輕量化網路結構設計
    16.2.3  神經網路模型壓縮
    16.2.4  輕量化水聲目標感知方法
  16.3  水聲目標深度識別網路模型網路剪枝方法
    16.3.1  水聲目標深度識別網路模型的權重剪枝與卷積核剪枝
    16.3.2  剪枝識別模型的測試與評價
  16.4  基於邊緣計算平台的深度學習網路能耗剪枝方法
    16.4.1  Jetson AGX Xavier計算平台
    16.4.2  識別模型的推理速度
    16.4.3  識別模型的推理能耗
    16.4.4  基於推理能耗的識別模型卷積核剪枝方法
  16.5  基於邊緣計算平台的水聲目標識別系統
    16.5.1  硬體系統
    16.5.2  軟體系統
  16.6  本章小結
  參考文獻

  • 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