基于深度学习的水下信息处理方法研究
①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。
￥ 23.95 6.1折 ￥ 39 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者王兴梅
出版社北京航空航天大学出版社
ISBN9787512434769
出版时间2021-04
装帧平装
开本16开
定价39元
货号31132139
上书时间2024-10-13
- 在售商品 暂无
- 平均发货时间 17小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
目录
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
3.1.1 Gammatone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
3.2.3 MDNN算法描述
3.2.4 MFF—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
4.5.3 CWGAN-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
5.7 CCUDA网络模型的泛化界
5.7.1 泛化界基础理论
5.7.2 CCUDA网络模型的泛化上界
5.7.3 CCUDA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
内容摘要
站在新时代的新起点上，我国对海洋的关心、海洋的认知和海洋的经略越来越重视。不断探索海洋、开发海洋资源、发展海洋科学技术，是世界主要
大国竞相发展的重要方向，在军事和民用领域具有非常重要的意义和价值，并一定程度上影响着国家的兴衰。水下信息处理方法作为海洋科学技术发展的一个重要方向，是本书介绍的重点。
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。
— 没有更多了 —
以下为对购买帮助不大的评价