返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版新书]基于深度学习的水下信息处理方法研究王兴梅9787512434
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 王兴梅著 | 王兴梅编 | 王兴梅译 | 王兴梅绘
    • 出版社: 北京航空航天大学出版社
    • 出版时间:2021-04-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 王兴梅著| 王兴梅编| 王兴梅译| 王兴梅绘
    • 出版社:北京航空航天大学出版社
    • 出版时间:2021-04-01
    • 版次:1
    • 印次:1
    • 字数:224000
    • 页数:168
    • 开本:16开
    • ISBN:9787512434769
    • 版权提供:北京航空航天大学出版社
    • 作者:王兴梅
    • 著:王兴梅
    • 装帧:平装
    • 印次:1
    • 定价:39
    • ISBN:9787512434769
    • 出版社:北京航空航天大学出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2021-04-01
    • 页数:168
    • 外部编号:小坞60533
    • 版次:1
    • 成品尺寸:暂无

    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异构信息数据进行预处理

    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

    3.1.1Gammatone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

    3.2.3MDNN算法描述

    3.2.4MFF-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

    4.5.3CWGAN-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

    5.7CCUDA网络模型的泛化界

    5.7.1泛化界基础理论

    5.7.2CCUDA网络模型的泛化上界

    5.7.3CCUDA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


    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购