1、“.....徐新洲，罗昕炜，方世良，等基于听觉感知机理的水声目标识别研究进展声学技术，曹红丽，方世良舰船辐射噪声的响度和音色特征模型东南大学学报自然科学版，程玉胜，邱家兴，刘振，等水声被动目标识别技术挑战与展望应用声学，胡炎，单子力，高峰基于和度学习理论。所以，应建立完备的数据库，从水声声信号与水声图像信号中提取预识别的水声目标的有效特征并发现其变化规律，训练水声目标识别模型或分类器，进而提高水声目标识别模型的准确性信噪比鲁棒性和泛化性。数据预处理方法。复杂的海洋环境，需要花费大量的时间为深度学习模型提取理想的样本，并按照模型要求的图像大小构造训练数据。由于处理大数据的规模所带来的大样本，使得数据呈现高维属性和多样性，故而数据预处理方法的优劣对模型的构建有重要的影响。深度学习在未来的数据处理方面应面向多种数据格式，以期减少数据预处理所耗费的大量时间......”。

2、“.....模型构建。深度学习模型算法众多，但当面对具体的水声目标识别问题时，没能及时给出最优的模型算法。其大都是对现有的模型进行改造或者多模型相结合，在模型的，以下详细探讨这种。除此之外，等开发工具也都有着广泛的应用。开发工具。优势机动性并不是个规则的，定义新的操作只需要写个函数可使用性强可以应用在不同的设备上，如移动设备平台等自动差分的自动差分能力对很多基于的机器学习算法有益多种编程语言可选有接口和接口，其他语言可以使用工具使用接口最优化表现充分利用硬件资源，可以将的不同计算单元分配到不同的设备执行。特点灵活的架构可以部署在个或者多个的台式以及服务器中，或者使用单的应用在移动设备中，试析在水声目标识别中深度学习的运用声学论文硬件资源，可以将的不同计算单元分配到不同的设备执行。特点灵活的架构可以部署在个或者多个的台式以及服务器中......”。

3、“.....开源之后几乎可以适用各个领域。特点派生出大量的深度学习软件包，最著名的有和，其核心是个数学表达式的编译器。深度学习几种典型的网络结构原理及改进深度置信网络原理及改进由多个受限玻尔兹曼机和层反向传播网络堆叠而成。其网络结构如图所示，图中为隐藏层数为可视层数为连接权值矩阵。图深度置信网络结构图的训练过程为部分预训练和微调整训练。预训练就是对每层的每个进行训练，而在微调程与电子技术，王强深度学习方法及其在水声目标识别中的应用声学技术，严韶光，康春玉，李军，等基于功率谱特征的被动声呐目标分类方法声学技术，赵安邦，沈广楠，陈阳，等与神经网络在舰船目标特征提取中的应用声学技术，程锦盛，杜选民，周胜增，等基于目标特征的监督学习方法在被动声呐目标识别中的应用研究船舶科学技术，王培兵，彭圆深度学习在水声目标识别中的应用研究数字海洋与水下攻防，基金国防基础科研项目......”。

4、“.....优势构建模型简单，高度模块化，快速高效。具有丰富的索引切片和的例程，支持接入数值优化程序等，可移植嵌入到和后端的接口。特点拥有为其开源的大量深度学习模块也指出了其中的不足之处，并给出了相应的解决思路。可以预见，未来水声目标识别技术发展方向主要是非声探测多传感器信息融合智能目标识别等。人工智能技术与水声目标识别技术有机结合将是今后水声目标识别研究的重要方向。参考文献陈越超，徐晓男基于降噪自编码器的水中目标识别方法声学与电子工程，柳革命，孙超，杨益新基于特征融合的被动声呐目标识别计算机仿真，徐慧水声目标被动识别相关技术研究武汉中国舰船研究院，王娜，陈克安听觉感知特征在目标识别中的应用系统仿真学报，彭圆，申丽然，李雪耀，等基于双谱的水声目标辐射噪声的特征提取与分类研究哈尔滨工程大学学报，章新华，王骥程，林良骥基于小波变换的舰船辐射噪声特征提取声学学报，樊养余，孙进才......”。

5、“.....等基于高阶谱的舰船辐射噪声特征提取声学学报，章新华，张晓深度学习在水声目标识别应用中的研究展望数据库构建。对于以数据为驱动的深度学习，获取好的水声数据信息显得尤为重要。但就目前水声目标识别的研究现状来看，由于水声环境的复杂性，对于水声声信号的识别，研究人员仍会更多地参照深度学习对空气中声音的识别方法。而对水声图像的识别，则会采用以往的图像处理算法和相关的深度学习理论。所以，应建立完备的数据库，从水声声信号与水声图像信号中提取预识别的水声目标的有效特征并发现其变化规律，训练水声目标识别模型或分类器，进而提高水声目标识别模型的准确性信噪比鲁棒性和泛化性。数据预处理方法。复杂的海洋环境，需要花费大量的时间为深度学习模型提取理想的样本，并按照模型要求的图像大小构造训练数据。由于处理大数据的规模所带来的大样本，使得数据呈现高维属性和多样性，故而数据预处理......”。

6、“.....再配合高效率的分类器，完成分类任务，以提高识别的准确度。例如英国科学家和利用神经网络技术开发的被动声呐分类系统，不仅采用窄带分析，还采用宽带分析分析和瞬态分析方法。由于采用神经网络方法提高了系统的容错能力，使训练不平衡系统有较好的性能，从而能更好地完成对声音的分类与识别。王强等人从实测水声数据库中提取梅尔倒谱特征以及傅里叶变换特征，用个声音片段作为训练样本，个声音片段作为测试样本，比较了支持向量机，的识别率，结果和的识别率均好于。等人使用个水声声音片段作为训练样本，用个声音片段作为测试样本，使用自动编码器与双谱的方法对水中目标辐射噪声进行特征提取与分类，同样也取得了很好的效果。新技术为水声目标识别技术带来的挑战随着水声探测技术的发展和降噪水平的提高，传统识别技术的性能正在逐渐下降，这为水声目标识别技术带来了新的挑战......”。

7、“.....但是，这种特征匹配在局部特征匹配中仅作为低级表示，对复杂背景进行特征提取时鲁棒性不足，没有足够的特征来防止假匹配，使得图像识别率也较低。这主要是由于传统目标识别算法语义分割鲁棒性较差。卷积神经网络是深度学习在处理图像时的主要工具，可以帮助提取图像的特征。主要方式是通过使用若干个卷积核对图形进行滤波，得到原图像的多幅特征图，从各个角度提取图像的特征。利用权值共享使得只需类目标在不同工况和水文气象条件下采集的段长度为的实录辐射噪声作为原始信号，提出了种基于卷积神经网络的舰船噪声分类器。通过数据仿真实验表明，的分类效果要好于神经网络的分类效果。赵安邦等人将高阶累积量用于希尔伯特变换特征提取中，通过对舰船目标辐射噪声信号进行采集，得到舰船目标噪声信号......”。

8、“.....最终利用神经网络来实现对类舰船目标的分类识别。程锦盛等人从被动声呐目标识别出发，用种监督学习模型对和类水声目标不同次海试不同信噪比数据中提取的特征样本进行了识别研究，其中和模型的识别率最高。随着水声目标识别越来越受到人们的重视，国内外众多学者也开展了很多的研究工作。例如颜色特征，较好地实现了船舶目标识别。张清博等人提出利用基于卷积神经网络的深度学习方法对水下光电图像进行优化图像质量的研究。王博通过选通式水下激光成像系统在不同的光照水质距离成像参数条件下采集水下目标的光学图像，分别用在线方法方法方法对样本图像进行水下目标识别性能的比较和分析。王念滨等人在卷积神经网的基础上引入特征图多维加权层，构造了个集特征提取和分类器训练于体的端到端网络，有效地提高了目标的识别精度......”。

9、“.....使得学者们在处理水声声信号的时候又有了新的思路利用计算机自动分析复杂的水声声音信息，通过合理的深层神经网络结构的训练得到信号的特征信息，再配合高效率的分类器，完成分类任务试析在水声目标识别中深度学习的运用声学论文和概率神经网络作比较，识别种类别的结果均是自动编码器较好，而且都达到了以上。严韶光等人对类目标在不同工况和水文气象条件下采集的段长度为的实录辐射噪声作为原始信号，提出了种基于卷积神经网络的舰船噪声分类器。通过数据仿真实验表明，的分类效果要好于神经网络的分类效果。赵安邦等人将高阶累积量用于希尔伯特变换特征提取中，通过对舰船目标辐射噪声信号进行采集，得到舰船目标噪声信号，进而提取目标辐射信号各阶模态的相邻平均瞬时频率比相对标准差中心频率平均强度高阶矩和高阶累积量等作为特征......”。