登入帳戶　 |　訂單查詢　 |　購物車/收銀台(0)　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入   新用戶註冊

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2024年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / 物流，時效：出貨後2-4日

新書推薦： 《 江淮方言精汇 》 售價：NT$ 500.0 《 历史动力学：帝国的兴衰密码 》 售價：NT$ 500.0 《 广岛 普利策奖得主首次揭示原子弹爆炸真相 20世纪美国百佳新闻作品TOP1 》 售價：NT$ 296.0 《 全生命周期动作发展 第7版 》 售價：NT$ 1265.0 《 广西常用动物类中药 》 售價：NT$ 500.0 《 清末民初的“问题”与“主义” 》 售價：NT$ 485.0 《 新中式服装设计、制板与裁剪 》 售價：NT$ 449.0 《 诗经译注（彩图珍藏本） 》 售價：NT$ 1010.0

內容簡介： 本书系统深入地论述了机器学习与水声目标识别的理论和方法，内容从基础理论到实际应用，涵盖了复杂海洋环境下水声目标特性、机器学习与水声目标识别的基本理论、经典机器学习算法在水声目标识别中的应用、专用深度学习水声目标识别方法、类脑听觉深度学习水声目标识别方法及水声目标深度识别网络的可视化与可解释；并详细论述了面向边缘设备的水声目标深度学习识别系统的设计、部署与优化策略。本书还提供了丰富的实战算法与工程实践案例。 本书可作为高等院校人工智能、水声工程等专业的课程参考书，也可供计算机信息处理、水声信号处理等领域从事人工智能、模式识别、机器学习、数据挖掘工作的学者、工程师等参考。 關於作者： 杨宏晖，博士学位，西北工业大学副教授，博士生导师。分别于1992年、1998年和2006年在西北工业大学获得本科学位、硕士学位和博士学位。2000?D2003年在英国XN有限公司新加坡研发中心从事计算机系统设计。2009年在美国著名大脑神经影像研究所The Mind Research Network任访问学者。二十年来围绕人工智能、机器学习、深度学习与大数据分析、水声目标识别、工业图像识别等方向开展研究工作，突破类脑智能 水声目标感知与认知关键技术，突破工业图像极微弱缺陷检测技术。主持国家级、省部级、地市级项目近30项。发表高水平学术论文60余篇，出版著作6部。主讲工信部硕博士特色优质课程“机器学习与声信号处理”。 目錄： 第1章 水声目标识别基本原理1 1.1 水声目标识别系统1 1.2 基于机器学习的水声目标识别系统的工作原理2 1.3 水声目标特征提取2 1.3.1 时域波形结构特征提取2 1.3.2 频域谱特征提取2 1.3.3 时频分析特征提取2 1.3.4 听觉感知特征提取3 1.4 水声目标特征选择3 1.5 水声目标识别的分类器设计3 1.6 基于深度学习的水声目标识别4 1.7 基于类脑智能的水声目标识别4 1.8 本章小结4 参考文献5 第2章 海洋中的声音7 2.1 声音的基本概念7 2.1.1 声音7 2.1.2 声音的基本参量7 2.2 海洋噪声综述8 2.2.1 海洋中的声音类型8 2.2.2 舰船辐射噪声9 2.2.3 海洋哺乳动物叫声10 2.3 船舶类型及分类规则14 2.3.1 劳埃德船级社船舶类型划分方法14 2.3.2 按照国际海事组织规定进行船舶类型划分16 2.4 海洋声环境特性22 2.4.1 海洋声传播损失22 2.4.2 海洋声传播理论23 2.4.3 海洋声信道特性24 2.5 海洋环境噪声特性28 2.6 舰船辐射噪声特性29 2.6.1 舰船辐射噪声的组成及特性29 2.6.2 船舶工况对舰船辐射噪声特性的影响31 2.6.3 基于特征分析的舰船辐射噪声特性分析33 2.7 海洋哺乳动物叫声特性41 2.8 本书使用的水声目标数据42 2.8.1 舰船辐射噪声数据42 2.8.2 海洋哺乳动物叫声数据43 2.9 本章小结44 参考文献44 第3章 机器学习基础46 3.1 机器学习的概念46 3.1.1 机器学习问题46 3.1.2 机器学习算法的分类46 3.2 回归分析的含义、分类及应用46 3.3 一元线性回归算法47 3.3.1 一元线性回归模型47 3.3.2 损失函数47 3.3.3 一元线性回归应用实例48 3.4 一元线性回归梯度下降求解方法49 3.4.1 随机梯度下降法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 多元线性回归算法51 3.5.1 多元线性回归原理51 3.5.2 多元线性回归应用实例52 3.6 逻辑回归算法53 3.6.1 逻辑回归原理53 3.6.2 逻辑回归应用实例55 3.7 常用的机器学习算法评价指标55 3.7.1 欠拟合与过拟合55 3.7.2 机器学习模型的性能评价指标56 3.8 本章小结60 第4章 水声目标特征提取61 4.1 水声目标时频域特征提取方法61 4.1.1 波形结构特征61 4.1.2 小波变换特征61 4.2 水声目标听觉特征提取方法63 4.2.1 心理声学参数特征63 4.2.2 听觉谱特征64 4.3 水声目标特征提取实验65 4.4 本章小结65 第5章 水声目标特征选择与压缩66 5.1 水声目标特征选择定义66 5.1.1 特征相关性定义66 5.1.2 特征选择定义67 5.2 特征选择过程67 5.2.1 特征子集生成67 5.2.2 特征子集评价69 5.2.3 特征子集搜索的终止70 5.2.4 选择结果确认70 5.3 特征选择方法及算法实现70 5.3.1 滤波式70 5.3.2 封装式71 5.3.3 混合式72 5.3.4 嵌入式73 5.4 特征选择算法的评价指标73 5.4.1 特征选择算法的两个重要参数73 5.4.2 特征选择算法的稳定性评价指标73 5.5 本章小结75 第6章 基于支持向量机的水声目标分类76 6.1 统计学习理论76 6.1.1 统计学习理论的研究背景76 6.1.2 机器学习模型77 6.1.3 经验风险最小化原则77 6.1.4 统计学习理论的核心内容78 6.2 支持向量机水声目标识别原理80 6.2.1 线性支持向量机80 6.2.2 非线性支持向量机82 6.2.3 SVM多类分类算法83 6.3 支持向量机分类器的分类性能估计83 6.4 支持向量机核函数及其参数选择与实验84 6.4.1 SVM核函数及其参数的选择算法84 6.4.2 水声目标数据的SVM核函数及其参数选择实验85 6.5 水声目标识别实验90 6.5.1 水声目标数据的分类识别实验90 6.5.2 公共数据集SVM分类识别实验91 6.5.3 实验结论92 6.6 本章小结93 第7章 基于单类分类支持向量机的水声目标半监督识别方法94 7.1 单类分类支持向量机原理与算法实现94 7.1.1 单类分类支持向量机算法94 7.1.2 支持向量数据描述算法96 7.1.3 等价条件分析97 7.2 参数C、σ对分界面的影响98 7.2.1 错分惩罚因子C对分界面的影响98 7.2.2 RBF核函数参数σ对分界面的影响99 7.2.3 SVDD参数选择实验100 7.3 基于Tri-training的半监督SVDD算法与实验102 7.3.1 Tri-SVDDE算法102 7.3.2 基于Tri-SVDDE算法的水声目标识别实验103 7.4 本章小结105 第8章 水声目标集成学习识别方法106 8.1 分类器集成概述106 8.2 经典分类器集成方法107 8.2.1 个体分类器构成107 8.2.2 个体分类器集成109 8.3 用于水声目标识别的分类器选择性集成算法及实验110 8.4 基于SVDD集成的水下目标识别112 8.4.1 SVDD分类器的Bagging集成113 8.4.2 基于SVDD的多类水下目标识别算法115 8.5 本章小结119 第9章 深度学习识别模型基础120 9.1 深度神经网络基本算法模块120 9.1.1 人工神经元120 9.1.2 全连接神经网络120 9.1.3 自编码器121 9.1.4 受限玻耳兹曼机121 9.1.5 循环神经网络及其变体123 9.1.6 卷积层及其变体127 9.1.7 池化层130 9.1.8 全局池化层131 9.1.9 注意力模块131 9.1.10 生成对抗网络133 9.1.11 批量归一化137 9.1.12 随机失活138 9.2 经典激活函数的功能与特点138 9.2.1 Sigmoid激活函数138 9.2.2 tanh激活函数138 9.2.3 ReLU激活函数及其变体139 9.2.4 Softmax激活函数140 9.3 经典损失函数构建方法与性能141 9.3.1 平方损失141 9.3.2 均方误差141 9.3.3 绝对误差141 9.3.4 平均绝对误差141 9.3.5 平均绝对百分比误差141 9.3.6 对数损失函数142 9.3.7 交叉熵142 9.4 深度神经网络的优化算法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 随机梯度下降算法143 9.4.4 小批量梯度下降算法143 9.4.5 动量梯度下降算法144 9.4.6 涅斯捷罗夫梯度加速算法144 9.4.7 自适应的梯度下降算法145 9.4.8 均方根传递145 9.4.9 自适应矩估计算法146 9.5 深度学习识别算法的评价指标147 9.5.1 混淆矩阵147 9.5.2 P-R曲线147 9.5.3 F1分数147 9.5.4 ROC曲线148 9.5.5 AUC149 参考文献149 第10章 用于水声目标识别的深度学习方法、算法及实验150 10.1 基于深度置信网络的水声目标识别150 10.1.1 基于深度置信网络的水声目标识别原理150 10.1.2 竞争深度置信水声目标识别原理156 10.1.3 实验结果及分析159 10.2 基于深度卷积神经网络的水声目标识别160 10.2.1 基于深度卷积神经网络的水声目标识别原理160 10.2.2 舰船个体识别实验162 10.2.3 舰船个体识别实验结果及分析163 10.2.4 水声通信调制识别实验164 10.2.5 水声通信调制识别实验结果及分析166 10.3 用于水声目标识别的时、频、空域注意力深度学习167 10.3.1 基于通道注意力的水声目标识别原理167 10.3.2 基于空间注意力的水声目标识别原理169 10.3.3 基于频率注意力的水声目标识别原理170 10.3.4 基于倍频注意力的水声目标识别原理171 10.3.5 实验数据及实验设置173 10.3.6 实验结果及分析174 10.4 用于水声目标识别的时、频、空域自注意深度学习180 10.4.1 基于水声特征通道自注意力机制的水声目标识别原理180 10.4.2 基于水声特征时频自注意力机制的水声目标识别原理182 10.4.3 基于水声特征频率自注意力机制的水声目标识别原理182 10.4.4 实验数据及实验设置183 10.4.5 实验结果及分析184 10.5 基于深度递归神经网络的水声目标识别189 10.5.1 基于深度递归神经网络的水声目标识别原理189 10.5.2 水声目标识别实验192 10.5.3 实验结果及分析192 10.6 本章小结193 第11章 基于深度集成学习的水声目标识别方法194 11.1 深度神经网络集成学习理论和方法194 11.1.1 机器学习集成学习方法194 11.1.2 结合方法194 11.1.3 集成模型的性能影响因素195 11.2 深度神经网络集成学习的评价准则196 11.3 基于多样性度量选择性集成的深度水声目标识别方法197 11.3.1 选择性集成学习方法197 11.3.2 基于多样性度量的识别模型子集选择算法198 11.4 基于多样性度量选择性集成的深度水声目标识别实验199 11.4.1 实验方法199 11.4.2 实验结果及分析199 11.5 本章小结203 参考文献203 第12章 基于图神经网络的水声目标识别方法204 12.1 图神经网络基本原理204 12.1.1 图的表示和性质204 12.1.2 基于谱的图卷积方法206 12.2 水声目标特征图构建209 12.2.1 水声目标识别深度特征提取209 12.2.2 水声目标识别人工提取特征210 12.2.3 水声目标识别特征图的构建方法212 12.3 基于图神经网络的水声目标识别多特征融合及识别系统213 12.3.1 图神经网络结构及参数设置213 12.3.2 构建图神经网络的输入214 12.3.3 多特征融合及调制方式识别215 12.4 基于图神经网络的水声目标识别实验215 12.

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	台灣用户　|　香港/海外用户
megBook.com.tw
Copyright (C) 2013 - 2025 （香港）大書城有限公司　All Rights Reserved.