本书围绕水中目标新型被动检测理论及方法，从水声目标信号与噪声特性、新型水声信号处理算法、水中目标被动检测模型、水中目标智能被动检测理论及水中目标混合智能识别五个方面进行研究并将相关成果进行总结，可为水下机器人、水下航行器的目标智能探测与识别提供坚实的理论支持，对海洋装备智能探测与识别等性能的提升具有重要意义。
本书可作为高等院校海洋目标探测与识别相关专业师生的参考书，对从事水下机器人、水下航行器等研究的科研人员，以及在此领域内从事生产、试验和应用工作的技术人员也具有一定的参考价值。

丛书前言一
丛书前言二
前言
1 绪论
1.1 水中目标被动检测的意义
1.2 国内外研究综述
1.2.1 水声信号处理和特征提取
1.2.2 水声目标被动检测技术及应用
1.2.3 水中目标新型被动检测技术的提出
1.3 本书的研究意义和主要内容
1.3.1 本书的研究意义
1.3.2 本书研究的主要内容
1.4 本书章节安排
参考文献
2 水声目标信号与噪声特性
2.1 引言
2.2 水声信号的统计特性分析
2.3 水声目标的辐射噪声特性分析
2.3.1 舰船辐射噪声的时域和频域统计特征
2.3.2 舰船辐射噪声的频谱及其调制特性
2.3.3 水下航行器辐射噪声的时域和频域统计特征
2.3.4 水下航行器辐射噪声的频谱及其调制特性
2.4 水下航行器的自噪声特性分析
2.4.1 自噪声的时域和频域统计特征
2.4.2 自噪声的频谱及其调制特性
2.5 水声目标的辐射噪声模型和水下航行器自噪声模型
2.5.1 舰船辐射噪声模型
2.5.2 水下航行器辐射噪声模型
2.5.3 水下航行器自噪声模型
2.6 小结
参考文献
3 新型水声信号处理算法
3.1 引言
3.2 基于高阶统计量的非高斯水声信号分析
3.2.1 高阶谱及其切片谱分析
3.2.2 线谱特征提取
3.3 基于第二代小波变换的非平稳水声信号分析
3.3.1 第二代小波变换的基本原理
3.3.2 第二代小波变换滤波分析
3.3.3 水中目标的分频带能量观测
3.4 基于经验模式分解的非线性水声信号分析
3.4.1 经验模式分解的基本原理
3.4.2 一种新的端点效应解决方案
3.4.3 一种新的模态混叠解决方案
3.4.4 辐射噪声的特征提取研究
3.5 集成信号处理方法的水声信号分析
3.5.1 集成多个经验模式分解的特征提取研究
3.5.2 集成第二代小波变换和经验模式分解的特征提取研究
3.6 基于变分模态分解的非线性水声信号分析
3.6.1 变分模态分解的基本原理
3.6.2 变分模态分解参数制定解决方案
3.6.3 基于变分模态分解的辐射噪声特征提取研究
3.7 小结
参考文献
4 水中目标被动检测模型
4.1 引言
4.2 常规的被动检测模型及其实验分析
4.2.1 能量检测模型
4.2.2 过零率检测模型
4.2.3 线谱检测模型
4.2.4 仿真性能分析
4.2.5 实验分析
4.3 新型的被动检测模型及其实验分析
4.3.1 集成被动检测模型
4.3.2 基于经验模式能量熵的被动检测模型
4.3.3 基于第二代小波包近似熵的被动检测模型
4.3.4 基于时频分析的被动检测模型
4.4 被动检测模型应用研究
4.5 小结
参考文献
5 水中目标智能被动检测理论
5.1 引言
5.2 特征提取与特征选择技术
5.2.1 特征提取
5.2.2 特征选择
5.3 支持向量数据描述的基本原理
5.4 基于组合支持向量数据描述的被动检测模型
5.4.1 被动检测模型构建
5.4.2 应用研究
5.5 基于模糊支持向量数据描述的被动检测模型
5.5.1 模糊支持向量数据描述原理
5.5.2 被动检测模型构建
5.5.3 应用研究
5.6 小结
参考文献
6 水中目标混合智能识别研究
6.1 引言
6.2 集成支持向量机原理
6.2.1 基于常规组合的集成支持向量机
6.2.2 基于AdaBoost算法的集成支持向量机
6.2.3 基于Bagging算法的可选择集成支持向量机
6.3 水中目标混合智能识别框架
6.4 基于常规组合的集成支持向量机的实验分析
6.4.1 舰船辐射噪声数据集
6.4.2 常规组合的集成支持向量集与传统分类器的分类性能比较
6.4.3 特征选择对分类性能的影响
6.5 基于AdaBoost算法和Bagging算法的集成支持向量机的实验分析
6.5.1 水中目标辐射噪声数据集
6.5.2 针对不同集成数目的智能分类器性能比较
6.5.3 不同的特征数目对分类结果的影响
6.5.4 集成支持向量机与支持向量机的泛化性能比较
6.5.5 讨论
6.6 深度学习目标分类
6.6.1 二维时频谱图
6.6.2 深度学习模型
6.6.3 二维时频谱图与深度学习相结合的目标分类识别分析
6.7 小结
参考文献