【声呐技术】自适应环境背景学习与异常检测

目录1.1 异常检测的范式演进1.1.1 从监督学习到无监督检测的范式转移1.1.2 开集识别与分布外检测的理论边界1.1.3 水下声呐场景的特殊挑战1.1.4 持续学习中的灾难性遗忘与稳定性-可塑性困境1.2 深度生成模型的概率框架1.2.1 变分推断基础：ELBO与证据下界优化1.2.2 归一化流的可逆变换与对数似然计算1.2.3 基于重构误差的异常评分机制设计1.2.4 潜在空间的语义解耦与可解释性分析1.3 自监督表示学习的理论支撑1.3.1 对比学习的InfoNCE损失与互信息最大化1.3.2 掩码预测任务与上下文建模能力1.3.3 预训练-微调范式的迁移学习理论第一章：理论基础与问题建模1.1 异常检测的范式演进1.1.1 从监督学习到无监督检测的范式转移传统异常检测长期依赖监督学习框架，其核心前提是训练数据需包含充足的正常与异常样本标注。然而，在真实工程部署中，异常事件天然具备稀缺性与不可预测性：新型异常模式往往在系统运行后才首次暴露，导致标注数据极度稀缺且类别分布严重失衡。深度学习的兴起推动了检测范式向无监督方向的系统性