文献综述（或调研报告）：
1、水下目标识别
水下目标识别利用声呐接收船舶辐射噪声或回声信号实现对目标性质的识别。水下目标识别的重点包括特征选择、特征提取和分类器设计[1]。在传统的特征选择和识别中，可以通过声谱图的傅里叶变换或周期图等方法判断舰船螺旋桨转速和桨叶数量；也可以通过周期图分析和构造AR模型来对舰船的推进系统进行识别分类[2]。
军事和兵工领域，水下目标识别的研究起点较早，但由于这一领域的特殊性和相关技术限制，相关研究在前期进展缓慢[3]。同时，前期研究中的水下目标特征提取技术大部分是针对中、近距离的水下目标进行的，1000m左右的远距离目标探测与识别仍然是国际上有待解决的问题[4]。直到更多理论和模型的提出和特征提取技术的进步，以及各国对海军装备的更多投入，水声目标识别技术开始向自动化、高可靠性等方向发展，并逐渐促进了民用领域的研究和开发[5]。
进入21世纪以后，对水下目标识别的研究开始着眼于构造性能更好、效率更高的专家系统。Farrokhrooz等人构造了AR模型用于描述声呐信号，声呐信号经过处理后，用于对AR模型参数进行估算，最后模型的参数被输入概率神经网络进行分类，取得了相比传统算法更好的分类结果[6]。
国内也有对水下目标识别技术进行的研究。针对传统分析中功率谱无法提取非高斯信息的问题，利用高阶累积量计算双谱并进行分析，也有较好的识别能力[7]。模拟人耳对声信号处理过程而建立的听觉感知系统，再通过对频谱特征分段后进行识别分类，可以明显提高目标识别率并具有良好的稳定性[8][9]。
上述传统的特征提取识别技术和通过手工进行数据处理、特征构造再进行分类识别的算法，在特定的条件或应用上可以得到较好的效果，但总体上其泛化能力不强，可扩展性也有所局限，因此应用价值有限。
近些年来，得益于深度学习的出现和计算机硬件性能的提升，水下目标识别的研究也得到了速度或准确性的大幅提升。神经网络的快速发展，也给水下目标识别的研究提供了新思路和新工具。神经网络可以逐层、自动地学习目标的特征表示，得到原数据的深层抽象表示，最终根据深层特征进行分类识别。Valdenegro-Toro使用卷积神经网络（CNN）进行特征提取和识别，并与常用的模板匹配方法向对比，使用CNN不仅性能更好，而且效率也得到提升[10]。李俊豪、杨宏晖调整了卷积神经网络的特征提取方法，使其更适用于声信号时频特征[11]。Yang H等人提出了受听觉启发的深度卷积神经网络，使用一系列不同尺度的卷积滤波操作将原始信号分解，再经过池化和全连接层进行特征提取和分类，最终取得了很好的分类效果[12]。朱可卿等人也基于卷积神经网络提出了噪声识别研究方案，该方案首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征，然后将提取特征后的图像样本用于训练网络，再对船舶辐射噪声进行识别[13]。
一些其它方面的研究也可以对水下目标识别提供参考。语音识别问题中对音频的处理和分类与水下目标识别中对声呐的处理和分类较为接近。张晴晴等人将卷积神经网络运用在语音识别中，相比广泛使用的深层神经网络能在保证性能的同时大大压缩模型尺寸[14]。郎泽宇利用LoFAR谱将时域和频域信号结合，再引入特征加权算法，从而总结出了新的水下目标特征提取方法，又在传统CNN模型的基础上引入局部正则化层和全局均值池化策略，从而解决了深度对收敛速度的影响和模型过拟合的问题[15]。
由此可见，将CNN等深度学习模型引入水下目标识别的研究中，可以满足高性能、高效率的需求，是未来水下目标识别领域较好的发展方向。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
