基于深度學習的深淺海水聲信號分類識別技術(shù)

1 緒論
1.1 概述
1.2 外研究現(xiàn)狀
1.2.1 LB識別法
1.2.2 FB識別法
1.2.3 基于深度學習的調(diào)制識別方法
1.3 主要內(nèi)容
1.4 本書結(jié)構(gòu)安排
2 理論基礎(chǔ)
2.1 水聲信道特征
2.1.1 淺海水聲信道特征
2.1.2 深海水聲信道特征
2.1.3 深淺海水聲信道影響通信的因素分析
2.2 水聲通信特性
2.2.1 時間衰落模型
2.2.2 變化信號長度
2.2.3 多普勒效應(yīng)
2.2.4 其他影響因素
2.3 水聲通信模型和通信調(diào)制體制
2.3.1 水聲信道模型
2.3.2 水聲通信常用調(diào)制體制
2.4 深度神經(jīng)網(wǎng)絡(luò)
2.4.1 網(wǎng)絡(luò)結(jié)構(gòu)形式
2.4.2 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法
2.4.3 常用深度學習技術(shù)
2.5 信號數(shù)據(jù)集的產(chǎn)生方式
2.5.1 深淺海信道形式
2.5.2 水聲信號數(shù)據(jù)集產(chǎn)生方式
2.6 本章小結(jié)
3 異構(gòu)與短連接網(wǎng)絡(luò)在不同時間衰落模型下的信號調(diào)制識別
3.1 異構(gòu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)運算方式
3.1.2 具有池化操作的正向與反向傳播過程推導
3.1.3 異構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
3.2 深層短連接網(wǎng)絡(luò)結(jié)構(gòu)形式
3.2.1 梯度消失問題分析
3.2.2 深層短連接網(wǎng)絡(luò)架構(gòu)設(shè)計
3.3 實驗分析
3.3.1 基于異構(gòu)網(wǎng)絡(luò)的淺海仿真實驗
3.3.2 基于短連接網(wǎng)絡(luò)的深海仿真實驗
3.4 本章小結(jié)
4 基于深度分支和稀疏多路網(wǎng)絡(luò)結(jié)構(gòu)的變化長度信號調(diào)制識別
4.1 基于淺海的分支網(wǎng)絡(luò)結(jié)構(gòu)
4.1.1 樣本批量標準化
4.1.2 映射向量全局平均池化
4.1.3 分支網(wǎng)絡(luò)結(jié)構(gòu)模型
4.2 基于深海的稀疏多路網(wǎng)絡(luò)模型
4.2.1 稀疏網(wǎng)絡(luò)結(jié)構(gòu)形式
4.2.2 稀疏多路網(wǎng)絡(luò)結(jié)構(gòu)
4.3 實驗分析