目标识别是水声探测中的重要技术环节，也是一项难题。利用深度学习理论开展水声目标信号特征学习与分类识别，已成为当前的研究热点。本书总结了作者及课题组近年来利用深度学习理论开展水中目标识别研究的成果。首先，探讨了典型深度学习模型应用于水中目标识别的可行性问题，在此基础上分别研究了卷积神经网络、循环神经网络、深度卷积生成对抗网络的原理、构建方法、参数优化方法及应用实例。其次，在不同信噪比等条件下，对深度神经网络与传统方法以及不同的深度神经网络进行了对比分析，提出了改进方法，并进一步探讨了深度半监督和无监督水中目标分类识别方法及参数联合优化方法。最后，从功能需求、技术指标、关键技术等角度指出了智能水中目标识别技术的发展方向。 本书可供从事水声探测和水声信号处理相关研究的工作人员参考，也可作为声学、水声工程等相关专业的研究生教学用书。

丛书序
自序
第1章 水中目标分类识别技术基础
1.1 水中目标分类识别及其应用需求
1.2 水中目标分类识别技术原理
1.2.1 基本原理
1.2.2 信号预处理
1.2.3 特征提取
1.2.4 特征选择与融合
1.2.5 分类决策
1.3 水中目标分类识别技术研究现状及存在的瓶颈问题
1.3.1 研究现状
1.3.2 存在的瓶颈问题
参考文献
第2章 深度学习理论及其在水中目标分类识别中的适用性
2.1 深度学习概述
2.1.1 深度学习及其发展
2.1.2 重要概念
2.2 典型深度学习算法
2.2.1 全连接深度神经网络
2.2.2 卷积神经网络
2.2.3 循环神经网络
2.3 基于深度学习特征的水中目标分类识别
2.3.1 深度学习特征提取方法
2.3.2 自编码器
2.3.3 受限玻尔兹曼机
2.3.4 实验研究
2.4 基于深度学习的多域特征融合方法
2.4.1 多域特征融合
2.4.2 多域特征提取方法
2.4.3 基于自编码器的多域特征融合
参考文献
第3章 基于卷积神经网络的水中目标分类识别
3.1 适用于水中目标识别的卷积神经网络
3.2 卷积核的正则化
3.3 实验结果及分析
3.4 卷积神经网络模型的参数选择
3.4.1 卷积核尺寸参数优选
3.4.2 卷积核深度参数优选
3.4.3 学习率参数优选
3.4.4 池化方式优选
3.5 改进的CNN分类识别方法
3.5.1 梯度优化
3.5.2 输入信号的前处理
参考文献
第4章 基于循环神经网络的水中目标分类识别
4.1 几种改进RNN的性能对比
4.2 不同工况条件下的模型性能分析
4.2.1 直行-转弯工况模型鲁棒性检验
4.2.2 不同航行圈次工况模型鲁棒性检验
4.3 噪声失配对模型性能的影响
4.4 多尺度稀疏SRU模型
4.4.1 简单循环单元
4.4.2 多尺度稀疏SRU分类模型
4.4.3 实验结果及分析
参考文献
第5章 基于深度生成对抗网络的水中目标识别
5.1 生成对抗网络基本原理
5.2 基于生成对抗网络的水中目标识别
5.2.1 基于生成对抗网络的水中目标识别模型
5.2.2 基于实测水声数据的实验验证
5.2.3 GAN模型输出特征可视化分析
5.3 深度全连接生成对抗网络在水声目标识别中的应用
5.4 基于深度卷积生成对抗网络的水声目标识别
5.5 模型参数优选
5.5.1 DFGAN模型参数优选
5.5.2 DCGAN模型参数优选
5.6 数据集对模型识别性能的影响
5.6.1 有标签样本数量对模型性能的影响
5.6.2 噪声失配对模型性能的影响
参考文献
第6章 深度半监督和无监督水中目标分类识别
6.1 水声目标无监督与有监督学习的关系
6.2 传统聚类算法
6.2.1 k-means算法
6.2.2 GMM
6.2.3 层次聚类算法
6.2.4 自组织映射聚类算法
6.2.5 模糊聚类算法
6.3 DP-GMM聚类方法
6.4 水声数据聚类实验及分析
6.4.1 评价指标
6.4.2 参数设置
6.4.3 实验结果及分析
6.5 无监督聚类中的概率分布失配问题
6.6 深度生成式聚类模型及其学习方法
6.6.1 GBGG-DBM网络概率模型
6.6.2 联合优化算法
6.6.3 实验结果及分析
参考文献
第7章 水中目标识别技术发展趋势
7.1 水中目标识别技术总体发展趋势
7.1.1 功能需求和技术指标发展趋势
7.1.2 软硬件设计发展趋势
7.1.3 关键技术发展趋势
7.2 深度学习应用于水中目标识别尚需解决的问题和解决思路
7.2.1 尚需解决的问题
7.2.2 解决思路
参考文献
索引
彩图