由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
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
¥ ×1
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
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格