- 文献综述（或调研报告）：
回波信号分类技术的研究来自于水下目标的识别和分类工作。对于水下目标的主动探测，依赖于主动声呐发出的声波，经目标反射后被接收器接收，得到的回波信号。但水下目标的回波信号受环境影响较大，且存在叠加和时延等问题，因而较为复杂。由1994年提出的回波信号的亮点模型[1]，任何一个复杂目标的回波都是由若干子回波叠加而成的，每个子回波的散射中心就是亮点，而每个子回波的特性与发射信号的特性十分相似。于是对复杂回波信号的分析就分解为对子回波的分析，从而完成对水下目标的识别和分类。
目前，对于水下回波信号特性的理论研究较为充分。水下目标的回波信号具有复杂度声散射特性，且由于水下环境复杂，各种声散射成分具有不同的频率特性，因此适合采用时频分析的方法对目标回波信号的特性进行分析。在时频特征研究上，主要可以分为两类：一类是研究利用回波信号的时频特征进行目标与目标之间的识别和分类；另一类是利用回波信号的特征完成对目标和干扰之间的识别。
在目标与目标的识别和分类方面，1996年Gaunaurd发表了关于雷达与目标回波信号时频特征的文章，详细讨论了雷达、声呐目标回波信号的时频分布图像，对比了STFT和Cohen类时频分析方法的差异。1998年，Gaunaurd使用Cohen类时频分析方法对水下弹性目标的回波信号特征进行了研究，分析了目标的属性参数如尺寸、形状等与回波信号时频特征的关系。2008年，Muller等人研究了不同材质的弹性目标回波信号的时频特征差异。2010年，Ou等人研究了三种不同形状、尺寸与材质的物体的回波信号差异，并采用一种近邻准则进行识别，研究结果表明三种目标之间的回波信号有较高的识别率。[2]
在国内，大部分研究人员的重点在于目标与干扰之间的识别。上世纪末以来，依次有研究人员提出了WVD分布图进行目标回波分析、基于频域离散小波变换的弹性特征提取、基于分数阶Fourier域窄带滤波的滤波方法。2007年，陈鹏等人将分数阶Fourier变换与匹配滤波器结合，提出了目标回波的联合检测方法。次年，王强等人提出利用高斯窗短时分数阶Fourier变换提取回波的时频特征。与此同时，还有学者发展出了多参量联合特征的水下目标识别技术。[3]
哈尔滨工程大学进行了回波信号特征提取[4]、特征融合和特征压缩[5]方面的研究，提出了对瞬时频率方差、瞬时频率熵、瞬时频率峰度与WVD-Radon变换半功率宽度等四种特征，研究了基于改进的串联融合的时频特征融合方法，并以最大化时频特征的类间可分性为原则，研究了时频特征的压缩方法。结果证明，经过融合和压缩的回波时频特征可以提高对信号分类的准确率。
另外，由于雷达目标回波与主动声呐回波信号在分析上有数学相似性，因此许多雷达领域的研究成果对于水下回波信号的研究有很大的借鉴意义。
机器学习作为近些年来的热门领域，理论成果与实践成果都较为丰富。机器学习算法按照训练过程有无监督，可以分类监督学习和无监督学习两类，包含了包括人工神经网络（ANN）、支持向量机（SVM）、朴素贝叶斯、线性回归、决策树、k-均值聚类等在内的许多算法。
人工神经网络（ANN）属于机器学习的一种典型算法，适用于对复杂数据进行分析和分类。人工神经网络具有结构复杂性，允许对具有多维度特征的大量数据进行操作，通过多级隐藏层中的迭代等计算，得到对某个应用领域的特定训练模型，并将该模型应用于该领域数据的识别和分类中。
20世纪80年代，Fukushima提出了第一个多层次的神经网络模型Neocognitron。20世纪90年代，Lecun等构建了LeNet-5模型，该模型提出了使用梯度反向传播算法（Back Propagation，BP）对卷积神经网络进行有监督的训练，其采用交替连接的卷积层和池化层，最后通过全连接层进行分类的做法，奠定了卷积神经网络的基本结构。
将机器学习算法应用于回波信号的分类早有渊源。早在1975年，Stanford大学就尝试使用人工智能算法处理声信号和分类识别问题，并基于此研发了第一代水中预警系统HASP。1985年前后，Stanford大学又研制了SIAP目标识别系统，该系统摆脱了人工干预，实现了水下声呐目标的自动识别分类。1900年后，美国研究人员又陆续推出了多个基于神经网络的水中目标分类系统，通过不同的方式实现水下侦听和目标分类工作。俄罗斯在相关领域的研究不落美国之后，有些系统性能大幅超过美国同时期所采用的系统。其他国家，例如英、法、加拿大和日本等国家也相继研发具有自动识别水中目标能力的系统。英国的C.P.Sheepard和C.R.Gent等人将神经网络应用于水中目标识别，可以识别特定类型的信号。
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。
