第1章 水聲目標(biāo)識別基本原理 1
1.1 水聲目標(biāo)識別系統(tǒng) 1
1.2 基于機(jī)器學(xué)習(xí)的水聲目標(biāo)識別系統(tǒng)的工作原理 2
1.3 水聲目標(biāo)特征提取 2
1.3.1 時域波形結(jié)構(gòu)特征提取 2
1.3.2 頻域譜特征提取 2
1.3.3 時頻分析特征提取 2
1.3.4 聽覺感知特征提取 3
1.4 水聲目標(biāo)特征選擇 3
1.5 水聲目標(biāo)識別的分類器設(shè)計 3
1.6 基于深度學(xué)習(xí)的水聲目標(biāo)識別 4
1.7 基于類腦智能的水聲目標(biāo)識別 4
1.8 本章小結(jié) 4
參考文獻(xiàn) 5
第2章 海洋中的聲音 7
2.1 聲音的基本概念 7
2.1.1 聲音 7
2.1.2 聲音的基本參量 7
2.2 海洋噪聲綜述 8
2.2.1 海洋中的聲音類型 8
2.2.2 艦船輻射噪聲 9
2.2.3 海洋哺乳動物叫聲 10
2.3 船舶類型及分類規(guī)則 14
2.3.1 勞埃德船級社船舶類型劃分方法 14
2.3.2 按照國際海事組織規(guī)定進(jìn)行船舶類型劃分 16
2.4 海洋聲環(huán)境特性 22
2.4.1 海洋聲傳播損失 22
2.4.2 海洋聲傳播理論 23
2.4.3 海洋聲信道特性 24
2.5 海洋環(huán)境噪聲特性 28
2.6 艦船輻射噪聲特性 29
2.6.1 艦船輻射噪聲的組成及特性 29
2.6.2 船舶工況對艦船輻射噪聲特性的影響 31
2.6.3 基于特征分析的艦船輻射噪聲特性分析 33
2.7 海洋哺乳動物叫聲特性 41
2.8 本書使用的水聲目標(biāo)數(shù)據(jù) 42
2.8.1 艦船輻射噪聲數(shù)據(jù) 42
2.8.2 海洋哺乳動物叫聲數(shù)據(jù) 43
2.9 本章小結(jié) 44
參考文獻(xiàn) 44
第3章 機(jī)器學(xué)習(xí)基礎(chǔ) 46
3.1 機(jī)器學(xué)習(xí)的概念 46
3.1.1 機(jī)器學(xué)習(xí)問題 46
3.1.2 機(jī)器學(xué)習(xí)算法的分類 46
3.2 回歸分析的含義、分類及應(yīng)用 46
3.3 一元線性回歸算法 47
3.3.1 一元線性回歸模型 47
3.3.2 損失函數(shù) 47
3.3.3 一元線性回歸應(yīng)用實(shí)例 48
3.4 一元線性回歸梯度下降求解方法 49
3.4.1 隨機(jī)梯度下降法 50
3.4.2 批量梯度下降法 50
3.4.3 小批量梯度下降法 50
3.5 多元線性回歸算法 51
3.5.1 多元線性回歸原理 51
3.5.2 多元線性回歸應(yīng)用實(shí)例 52
3.6 邏輯回歸算法 53
3.6.1 邏輯回歸原理 53
3.6.2 邏輯回歸應(yīng)用實(shí)例 55
3.7 常用的機(jī)器學(xué)習(xí)算法評價指標(biāo) 55
3.7.1 欠擬合與過擬合 55
3.7.2 機(jī)器學(xué)習(xí)模型的性能評價指標(biāo) 56
3.8 本章小結(jié) 60
第4章 水聲目標(biāo)特征提取 61
4.1 水聲目標(biāo)時頻域特征提取方法 61
4.1.1 波形結(jié)構(gòu)特征 61
4.1.2 小波變換特征 61
4.2 水聲目標(biāo)聽覺特征提取方法 63
4.2.1 心理聲學(xué)參數(shù)特征 63
4.2.2 聽覺譜特征 64
4.3 水聲目標(biāo)特征提取實(shí)驗(yàn) 65
4.4 本章小結(jié) 65
第5章 水聲目標(biāo)特征選擇與壓縮 66
5.1 水聲目標(biāo)特征選擇定義 66
5.1.1 特征相關(guān)性定義 66
5.1.2 特征選擇定義 67
5.2 特征選擇過程 67
5.2.1 特征子集生成 67
5.2.2 特征子集評價 69
5.2.3 特征子集搜索的終止 70
5.2.4 選擇結(jié)果確認(rèn) 70
5.3 特征選擇方法及算法實(shí)現(xiàn) 70
5.3.1 濾波式 70
5.3.2 封裝式 71
5.3.3 混合式 72
5.3.4 嵌入式 73
5.4 特征選擇算法的評價指標(biāo) 73
5.4.1 特征選擇算法的兩個重要參數(shù) 73
5.4.2 特征選擇算法的穩(wěn)定性評價指標(biāo) 73
5.5 本章小結(jié) 75
第6章 基于支持向量機(jī)的水聲目標(biāo)分類 76
6.1 統(tǒng)計學(xué)習(xí)理論 76
6.1.1 統(tǒng)計學(xué)習(xí)理論的研究背景 76
6.1.2 機(jī)器學(xué)習(xí)模型 77
6.1.3 經(jīng)驗(yàn)風(fēng)險最小化原則 77
6.1.4 統(tǒng)計學(xué)習(xí)理論的核心內(nèi)容 78
6.2 支持向量機(jī)水聲目標(biāo)識別原理 80
6.2.1 線性支持向量機(jī) 80
6.2.2 非線性支持向量機(jī) 82
6.2.3 SVM多類分類算法 83
6.3 支持向量機(jī)分類器的分類性能估計 83
6.4 支持向量機(jī)核函數(shù)及其參數(shù)選擇與實(shí)驗(yàn) 84
6.4.1 SVM核函數(shù)及其參數(shù)的選擇算法 84
6.4.2 水聲目標(biāo)數(shù)據(jù)的SVM核函數(shù)及其參數(shù)選擇實(shí)驗(yàn) 85
6.5 水聲目標(biāo)識別實(shí)驗(yàn) 90
6.5.1 水聲目標(biāo)數(shù)據(jù)的分類識別實(shí)驗(yàn) 90
6.5.2 公共數(shù)據(jù)集SVM分類識別實(shí)驗(yàn) 91
6.5.3 實(shí)驗(yàn)結(jié)論 92
6.6 本章小結(jié) 93
第7章 基于單類分類支持向量機(jī)的水聲目標(biāo)半監(jiān)督識別方法 94
7.1 單類分類支持向量機(jī)原理與算法實(shí)現(xiàn) 94
7.1.1 單類分類支持向量機(jī)算法 94
7.1.2 支持向量數(shù)據(jù)描述算法 96
7.1.3 等價條件分析 97
7.2 參數(shù)C、σ對分界面的影響 98
7.2.1 錯分懲罰因子C對分界面的影響 98
7.2.2 RBF核函數(shù)參數(shù)σ對分界面的影響 99
7.2.3 SVDD參數(shù)選擇實(shí)驗(yàn) 100
7.3 基于Tri-training的半監(jiān)督SVDD算法與實(shí)驗(yàn) 102
7.3.1 Tri-SVDDE算法 102
7.3.2 基于Tri-SVDDE算法的水聲目標(biāo)識別實(shí)驗(yàn) 103
7.4 本章小結(jié) 105
第8章 水聲目標(biāo)集成學(xué)習(xí)識別方法 106
8.1 分類器集成概述 106
8.2 經(jīng)典分類器集成方法 107
8.2.1 個體分類器構(gòu)成 107
8.2.2 個體分類器集成 109
8.3 用于水聲目標(biāo)識別的分類器選擇性集成算法及實(shí)驗(yàn) 110
8.4 基于SVDD集成的水下目標(biāo)識別 112
8.4.1 SVDD分類器的Bagging集成 113
8.4.2 基于SVDD的多類水下目標(biāo)識別算法 115
8.5 本章小結(jié) 119
第9章 深度學(xué)習(xí)識別模型基礎(chǔ) 120
9.1 深度神經(jīng)網(wǎng)絡(luò)基本算法模塊 120
9.1.1 人工神經(jīng)元 120
9.1.2 全連接神經(jīng)網(wǎng)絡(luò) 120
9.1.3 自編碼器 121
9.1.4 受限玻耳茲曼機(jī) 121
9.1.5 循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體 123
9.1.6 卷積層及其變體 127
9.1.7 池化層 130
9.1.8 全局池化層 131
9.1.9 注意力模塊 131
9.1.10 生成對抗網(wǎng)絡(luò) 133
9.1.11 批量歸一化 137
9.1.12 隨機(jī)失活 138
9.2 經(jīng)典激活函數(shù)的功能與特點(diǎn) 138
9.2.1 Sigmoid激活函數(shù) 138
9.2.2 tanh激活函數(shù) 138
9.2.3 ReLU激活函數(shù)及其變體 139
9.2.4 Softmax激活函數(shù) 140
9.3 經(jīng)典損失函數(shù)構(gòu)建方法與性能 141
9.3.1 平方損失 141
9.3.2 均方誤差 141
9.3.3 絕對誤差 141
9.3.4 平均絕對誤差 141
9.3.5 平均絕對百分比誤差 141
9.3.6 對數(shù)損失函數(shù) 142
9.3.7 交叉熵 142
9.4 深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法 142
9.4.1 梯度下降算法 142
9.4.2 批量梯度下降算法 143
9.4.3 隨機(jī)梯度下降算法 143
9.4.4 小批量梯度下降算法 143
9.4.5 動量梯度下降算法 144
9.4.6 涅斯捷羅夫梯度加速算法 144
9.4.7 自適應(yīng)的梯度下降算法 145
9.4.8 均方根傳遞 145
9.4.9 自適應(yīng)矩估計算法 146
9.5 深度學(xué)習(xí)識別算法的評價指標(biāo) 147
9.5.1 混淆矩陣 147
9.5.2 P-R曲線 147
9.5.3 F1分?jǐn)?shù) 147
9.5.4 ROC曲線 148
9.5.5 AUC 149
參考文獻(xiàn) 149
第10章 用于水聲目標(biāo)識別的深度學(xué)習(xí)方法、算法及實(shí)驗(yàn) 150
10.1 基于深度置信網(wǎng)絡(luò)的水聲目標(biāo)識別 150
10.1.1 基于深度置信網(wǎng)絡(luò)的水聲目標(biāo)識別原理 150
10.1.2 競爭深度置信水聲目標(biāo)識別原理 156
10.1.3 實(shí)驗(yàn)結(jié)果及分析 159
10.2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別 160
10.2.1 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別原理 160
10.2.2 艦船個體識別實(shí)驗(yàn) 162
10.2.3 艦船個體識別實(shí)驗(yàn)結(jié)果及分析 163
10.2.4 水聲通信調(diào)制識別實(shí)驗(yàn) 164
10.2.5 水聲通信調(diào)制識別實(shí)驗(yàn)結(jié)果及分析 166
10.3 用于水聲目標(biāo)識別的時、頻、空域注意力深度學(xué)習(xí) 167
10.3.1 基于通道注意力的水聲目標(biāo)識別原理 167
10.3.2 基于空間注意力的水聲目標(biāo)識別原理 169
10.3.3 基于頻率注意力的水聲目標(biāo)識別原理 170
10.3.4 基于倍頻注意力的水聲目標(biāo)識別原理 171
10.3.5 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)設(shè)置 173
10.3.6 實(shí)驗(yàn)結(jié)果及分析 174
10.4 用于水聲目標(biāo)識別的時、頻、空域自注意深度學(xué)習(xí) 180
10.4.1 基于水聲特征通道自注意力機(jī)制的水聲目標(biāo)識別原理 180
10.4.2 基于水聲特征時頻自注意力機(jī)制的水聲目標(biāo)識別原理 182
10.4.3 基于水聲特征頻率自注意力機(jī)制的水聲目標(biāo)識別原理 182
10.4.4 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)設(shè)置 183
10.4.5 實(shí)驗(yàn)結(jié)果及分析 184
10.5 基于深度遞歸神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別 189
10.5.1 基于深度遞歸神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別原理 189
10.5.2 水聲目標(biāo)識別實(shí)驗(yàn) 192
10.5.3 實(shí)驗(yàn)結(jié)果及分析 192
10.6 本章小結(jié) 193
第11章 基于深度集成學(xué)習(xí)的水聲目標(biāo)識別方法 194
11.1 深度神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)理論和方法 194
11.1.1 機(jī)器學(xué)習(xí)集成學(xué)習(xí)方法 194
11.1.2 結(jié)合方法 194
11.1.3 集成模型的性能影響因素 195
11.2 深度神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)的評價準(zhǔn)則 196
11.3 基于多樣性度量選擇性集成的深度水聲目標(biāo)識別方法 197
11.3.1 選擇性集成學(xué)習(xí)方法 197
11.3.2 基于多樣性度量的識別模型子集選擇算法 198
11.4 基于多樣性度量選擇性集成的深度水聲目標(biāo)識別實(shí)驗(yàn) 199
11.4.1 實(shí)驗(yàn)方法 199
11.4.2 實(shí)驗(yàn)結(jié)果及分析 199
11.5 本章小結(jié) 203
參考文獻(xiàn) 203
第12章 基于圖神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別方法 204
12.1 圖神經(jīng)網(wǎng)絡(luò)基本原理 204
12.1.1 圖的表示和性質(zhì) 204
12.1.2 基于譜的圖卷積方法 206
12.2 水聲目標(biāo)特征圖構(gòu)建 209
12.2.1 水聲目標(biāo)識別深度特征提取 209
12.2.2 水聲目標(biāo)識別人工提取特征 210
12.2.3 水聲目標(biāo)識別特征圖的構(gòu)建方法 212
12.3 基于圖神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別多特征融合及識別系統(tǒng) 213
12.3.1 圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置 213
12.3.2 構(gòu)建圖神經(jīng)網(wǎng)絡(luò)的輸入 214
12.3.3 多特征融合及調(diào)制方式識別 215
12.4 基于圖神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別實(shí)驗(yàn) 215
12.4.1 不同特征子集對識別性能的影響分析實(shí)驗(yàn) 215
12.4.2 特征圖邊關(guān)系對識別性能的影響分析實(shí)驗(yàn) 218
12.4.3 實(shí)測數(shù)據(jù)上的調(diào)制識別實(shí)驗(yàn) 219
12.5 本章小結(jié) 220
參考文獻(xiàn) 220
第13章 水聲目標(biāo)深度識別網(wǎng)絡(luò)可視化與可解釋 222
13.1 水聲目標(biāo)深度識別網(wǎng)絡(luò)的可視化與可解釋概述 222
13.1.1 深度學(xué)習(xí)可視化與可解釋的目的及意義 222
13.1.2 深度學(xué)習(xí)可視化與可解釋的原理 222
13.2 水聲目標(biāo)深度識別網(wǎng)絡(luò)可視化與可解釋方法和實(shí)驗(yàn) 223
13.2.1 加權(quán)梯度類激活映射方法 225
13.2.2 最大激活方法 228
13.2.3 反卷積方法 231
13.2.4 基于特征降維t-SNE可視化方法 235
13.3 本章小結(jié) 237
參考文獻(xiàn) 237
第14章 腦聽覺感知及機(jī)制 238
14.1 人類大腦基本概念 238
14.2 人腦聽覺系統(tǒng) 238
14.2.1 聽覺外周 238
14.2.2 聽覺中樞 239
14.3 腦聽覺機(jī)制 240
14.3.1 聽覺頻率感知機(jī)制 240
14.3.2 音色感知機(jī)制 241
14.3.3 被動注意機(jī)制 242
14.3.4 主動選擇性注意機(jī)制 244
14.4 本章小結(jié) 245
參考文獻(xiàn) 245
第15章 基于類腦聽覺深度學(xué)習(xí)的水聲目標(biāo)識別方法、算法及實(shí)驗(yàn) 246
15.1 基于神經(jīng)競爭機(jī)制的深度水聲目標(biāo)識別 246
15.1.1 基于神經(jīng)競爭機(jī)制的深度水聲目標(biāo)識別的原理 246
15.1.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 249
15.1.3 水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 249
15.2 基于聽覺濾波機(jī)制的深度水聲目標(biāo)識別 253
15.2.1 基于聽覺濾波機(jī)制的深度水聲目標(biāo)識別的原理 253
15.2.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 255
15.2.3 水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 256
15.3 基于深度頻率分解機(jī)制的深度水聲目標(biāo)識別 258
15.3.1 基于深度頻率分解機(jī)制的深度水聲目標(biāo)識別原理 258
15.3.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 260
15.3.3 水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 260
15.4 基于音色感知的深度水聲目標(biāo)識別 262
15.4.1 基于音色感知的深度水聲目標(biāo)識別原理 262
15.4.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 263
15.4.3 水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 264
15.5 基于多屬性協(xié)同感知的深度水聲目標(biāo)識別 266
15.5.1 基于多屬性協(xié)同感知的深度水聲目標(biāo)識別原理 266
15.5.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 268
15.5.3 水聲目標(biāo)多屬性協(xié)同感知實(shí)驗(yàn)結(jié)果及分析 269
15.6 類腦水聲目標(biāo)識別極深模型構(gòu)建與優(yōu)化 273
15.6.1 類腦水聲目標(biāo)識別極深模型原理 273
15.6.2 水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 275
15.6.3 水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 276
15.7 基于聽覺被動注意機(jī)制的水聲目標(biāo)識別 278
15.7.1 水聲目標(biāo)聽覺被動注意理論與方法 278
15.7.2 水聲目標(biāo)聽覺被動注意模型的損失函數(shù)構(gòu)建及優(yōu)化方法 279
15.7.3 單目標(biāo)干擾條件下的水聲目標(biāo)識別實(shí)驗(yàn)設(shè)計 283
15.7.4 單目標(biāo)干擾條件下的水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 286
15.8 基于聽覺主/被動融合注意的深度水聲目標(biāo)識別 295
15.8.1 多目標(biāo)干擾條件下的水聲目標(biāo)識別問題 295
15.8.2 基于深度學(xué)習(xí)的水聲目標(biāo)聽覺主/被動融合注意識別框架 296
15.8.3 水聲目標(biāo)聽覺主動注意算法 298
15.8.4 多目標(biāo)干擾條件下的決策方法 300
15.8.5 多目標(biāo)干擾條件下的水聲目標(biāo)實(shí)驗(yàn)數(shù)據(jù)及模型 302
15.8.6 多目標(biāo)干擾條件下的水聲目標(biāo)識別實(shí)驗(yàn)結(jié)果及分析 304
15.9 本章小結(jié) 307
第16章 面向邊緣設(shè)備的水聲目標(biāo)深度學(xué)習(xí)識別 308
16.1 用于水聲目標(biāo)識別的邊緣計算平臺 308
16.2 輕量化水聲目標(biāo)識別深度學(xué)習(xí)模型 308
16.2.1 深度神經(jīng)網(wǎng)絡(luò)輕量化 309
16.2.2 輕量化網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 309
16.2.3 神經(jīng)網(wǎng)絡(luò)模型壓縮 310
16.2.4 輕量化水聲目標(biāo)感知方法 314
16.3 水聲目標(biāo)深度識別網(wǎng)絡(luò)模型網(wǎng)絡(luò)剪枝方法 318
16.3.1 水聲目標(biāo)深度識別網(wǎng)絡(luò)模型的權(quán)重剪枝與卷積核剪枝 318
16.3.2 剪枝識別模型的測試與評價 320
16.4 基于邊緣計算平臺的深度學(xué)習(xí)網(wǎng)絡(luò)能耗剪枝方法 323
16.4.1 Jetson AGX Xavier計算平臺 323
16.4.2 識別模型的推理速度 324
16.4.3 識別模型的推理能耗 327
16.4.4 基于推理能耗的識別模型卷積核剪枝方法 329
16.5 基于邊緣計算平臺的水聲目標(biāo)識別系統(tǒng) 331
16.5.1 硬件系統(tǒng) 331
16.5.2 軟件系統(tǒng) 332
16.6 本章小結(jié) 334
參考文獻(xiàn) 334