基于分数阶小波变换的图像隐写分析

为了提高现有的图像隐写分析算法的检测性能,提出一种基于分数阶小波变换的图像隐写分析算法。该算法首先通过二维分数阶小波变换将图像映射到分数阶小波时频域内。然后在时频域内使用主成分分析提取隐写图像高频子带的主成分特征统计量、计算主成分的信息熵、构建敏感特征向量。最后采用支持向量机(SVM)对该算法所提特征进行分类。通过仿真实验利用所提算法分别对三种隐写算法下不同嵌入率的隐写结果进行检测,结果表明该算法可有效提高隐写分析准确率。     

基于特征融合聚类的JPEG盲隐写分析

传统隐写分析所需的隐写算法、嵌入率和图像来源等先验知识在实用中很难满足,上述条件未知的盲隐写分析场景下,使用聚类分析方法可以有效区分隐写者与非隐写者。设计一种适合所选特征的融合方案,用以提高JPEG聚类隐写分析的准确率,将偏序Markov模型特征的主成分与校准特征融合,充分利用特征互补并降低冗余,可以在参与者中更好地识别出隐写者,从而提高识别准确率。实验结果表明,在不同隐写算法和嵌入率条件下,采用该方法比现有方法准确率平均提高约2%,最高提高约16%。     

针对图像Two-LSBs隐写的分析方法

针对图像Two-LSBs隐写算法,提出了一种新的隐写分析方法.该方法根据Two-LSBs隐写对图像像素相关性的改变来判断秘密信息的有无,同时还可以准确地估计隐写嵌入率和秘密信息的长度.实验结果表明该分析方法的有效性,当嵌入率高于20%时检测正确率可达90%.     

一种基于多域特征的JPEG图像隐写分析算法

为实现对以JPEG图像为载体的隐秘图像的高效检测,提出了一种基于多域特征的通用隐写分析算法。该算法结合两种不同校准方法在图像不同域中对原始载体图像的估计能力,分别从图像DCT域、空域和DWT域中提取特征向量,提高了特征向量对隐秘信息的敏感性,达到了隐秘图像的高效检测。实验结果表明,与现有几种典型的通用隐写分析算法相比,所提算法具有很好的检测效果且稳定性好、运算速度快。     

基于相关性和SVD技术的盲隐写分析算法

针对图像分块离散余弦变换(DCT)域加性噪声隐写和基于奇异值分解（SVD）技术,提出了一种新的盲隐写分析算法。分析研究了载体图像和掩秘图像统计特征,建立了能够全面反映DCT系数相关性的数学模型;采用SVD技术提取图像特征,构建特征向量和盲隐写分析判决函数。试验结果证明：该算法检测可靠率在90%以上,综合性能比一般的隐写分析方法有明显提高。     

基于颜色梯度矩阵的通用型RGB图像隐写分析

针对隐写所导致的RGB彩色图像颜色梯度的改变,提出一种基于颜色梯度矩阵的RGB图像隐写分析算法。算法计算RGB图像颜色梯度方向矩阵及梯度和矩阵,提取梯度能量、梯度均值、梯度方差、梯度熵等16维向量构造隐写分类特征,采用支持向量机（SVM）分类器进行隐写判别。实验结果表明,该算法可以较为准确地检测彩色图像JSteg、F5、OutGuess、Steghide、MB1等隐写,适用于RGB图像隐写的检测,具有较好的通用性     

基于D-S证据理论的融合图像隐写分析

提出一种基于证据权的D-S证据理论的图像隐写分析方法,首先在空域,离散余弦变换（DOT）域和离散小波变换（DWT）域分别提取图像特征并各自进行预分类;然后对各域分类结果进行基本概率分配并进行证据权修正。利用D—S组合规则计算融合概率分配函数,形成最终的决策级融合分类结果．针对典型的隐写方法（如F5,JPHide,Jstego和YASS算法）进行检测,仿真结果显示,所提出的方法能显著提高单分类器的性能．     

基于富模型的分层量化隐写分析算法*

针对目前量化隐写分析对嵌入率较低的图像检测效果不好的问题,提出了一种分层量化隐写分析的思想。首先采用与负载值大小变化相关的权重系数构成的损失函数进行检测,并估计出负载值变化区间,然后对评估后的结果进行分段,使用增大相应分段权值的损失函数进行二次检测。实验结果表明,与经典的梯度增量树的算法比较,提出的加权思想以及分层检测法对负载值低的图像检测效果有所提升,整体检测具有较高的准确率。     

基于小波估计和直方图特征的LSB匹配分析

针对隐写分析中的难点——空域LSB匹配隐写进行检测和分析,描述LSB匹配加性隐写的特点,将匹配隐写建模为图像受到一定强度的脉冲噪声干扰,采用小波变换对退化的图像进行恢复作为载体的估计。对检测图像和恢复图像提取多个直方图特征比值作为特征向量,利用支持向量机对500幅高质量未压缩的自然图像组成的载体、载密图像库进行检测,结果证明该算法在低嵌入率下可获得较好的检测效果。     

一种JPEG图像的DCT域隐写分析方法

提出了一种基于JPEG图像DCT系数差分矩阵统计特征的隐写分析方法。该算法保留了以往算法选用的DCT系数水平和竖直方向的差分矩阵相关特征,通过增加其主副对角线方向上差分矩阵来提取和计算特征向量,进而利用SVM分类器进行分类。实验结果表明,该方法能够有效地对JPEG图像进行检测,并且具有较高的检测正确率。     

基于主分量特征与独立分量特征的人脸识别实验

PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的。ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征。在人脸图象识别的实际应用中,PCA与ICA方法各有胜负。PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述,并设计出一个基于这两类特征的分类器组合方案;联合使用这两类特征,实验得出的人脸识别结果显示,基于分类器组合方案的识别结果优于单独使用PCA特征或ICA特征的单分类器方法。     

主成分分析方法(PCA)在车辆牌照识别中的应用

将主成分分析方法（PCA）应用于车牌识别。首先根据采集到样本分类构造各类样本对应特征子空间，然后对待识别字符图片进行预处理，再分别向各类特征空间投影，根据重构误差判断类别识别字符。     

A neural network model for speech intelligibility quantification

A neural network based model is developed to quantify speech intelligibility by blind-estimating speech transmission index, an objective rating index for speech intelligibility of transmission channels, from transmitted speech signals without resort to knowledge of original speech signals. It consists of a Hilbert transform processor for speech envelope detection, a Welch average periodogram algorithm for envelope spectrum estimation, a principal components analysis (PCA) network for speech feature extraction and a multi-layer back-propagation network for non-linear mapping and case generalisation. The developed model circumvents the use of artificial test signals by exploiting naturally occurring speech signals as probe stimuli, reduces measurement channels from two to one and hence facilitates in situ assessment of speech intelligibility. From a cognitive science viewpoint, the proposed method might be viewed as a successful paradigm of mimicking human perception of speech intelligibility using a hybrid model built around artificial neural networks.     

新的降维标准下的高维数据聚类算法

为了解决主成分分析(PCA)算法无法处理高维数据降维后再聚类精确度下降的问题,提出了一种新的属性空间概念,通过属性空间与信息熵的结合构建了基于特征相似度的降维标准,提出了新的降维算法ENPCA。针对降维后特征是原特征的线性组合而导致可解释性变差以及输入不够灵活的问题,提出了基于岭回归的稀疏主成分算法(ESPCA)。ESPCA算法的输入为主成分降维结果,不需要迭代获得稀疏结果,增加了灵活性和求解速度。最后在降维数据的基础上,针对遗传算法聚类收敛速度慢等问题,对遗传算法的初始化、选择、交叉、变异等操作进行改进,提出了新的聚类算法GKA++。实验分析表明EN-PCA算法表现稳定,GKA++算法在聚类有效性和效率方面表现良好。     

基于主成分分析和循环神经网络的入侵检测模型

针对网络数据特征维度高、现有的入侵检测方法准确率低的问题,该文提出了一种基于主成分分析(PCA)和循环神经网络(RNN)的入侵检测方法PCA-RNN。该方法先对网络数据进行预处理,通过主成分分析法对数据进行特征降维和降噪,找出含有最大信息的主成分特征子集,然后对处理后的数据使用循环神经网络进行分类训练。实验使用基于Python的TensorFlow平台,并采用NSL-KDD作为实验数据集。实验结果表明,与常用的基于机器学习和深度学习方法的入侵检测技术相比较,该文提出的入侵检测方法可有效地提高检测的准确性。     

基于梯度提升决策树的电力电子电路故障诊断

针对电力电子电路的常见故障类型,提出一种利用主元分析(PCA)提取电路状态的故障信息特征和基于梯度提升决策树(GBDT)分类的电力电子电路故障诊断方法.首先讨论利用PCA进行特征提取的步骤以及GBDT的分类原理;然后研究了基于PCA特征提取以及GBDT分类的电力电子电路故障诊断流程;最后利用三相桥式整流电路进行了建模、仿真、验证,实验结果表明,采用该方法进行电力电子电路故障诊断相比其他方法在低维空间具有更高的诊断准确率和更佳的样本泛化能力.     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

用于非高斯系统降维的最小残差熵主元网络

基于最小均方误差的主元分析和主元神经网络是有效的多变量降维统计技术,它们所提取的主元含有系统最大方差.非高斯随机系统的近似模型应当含有系统最大信息熵,但包含最大方差并不一定包含最大信息熵.该文提出一种以最小残差熵为通用指标的非线性主元神经网络模型,并给出了一种基于Parzen窗口密度函数估计的熵近似计算方法和网络学习算法.然后从信息论角度分析了,在高斯随机系统中基于最小残差熵和最小均方差为指标的主元网络学习结果具有一致性.最后以仿真验证该方法的有效性,并与基于最小均方误差的主元分析和主元神经网络方法的计算结果进行对比性分析.     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

Hilbert包络谱的熵特征在辐射源个体识别中的应用

针对基于时频统计参数的特征提取方法存在测量准确性要求高,特征维数大的问题,提出了一种基于Hilbert包络谱的熵特征。利用Hilbert法对信号提取包络谱后,求解包络谱的信息熵和指数熵特征,并联合包络方差识别辐射源个体。在仿真实验中对比功率谱熵特征识别正确率显著提高;对QAM、ASK以及频率成分适量的信号识别率在3 dB左右达到80%以上。该算法具有一定高效性和鲁棒性。此外应用特征于FM手持机信号,实测结果表明,算法具有一定实用性。