基于支持向量机的语音隐藏信息盲检测方法

描述了一种基于支持向量机(SVM)的语音隐藏信息盲检测方法.该方法先用方差分析法(ANOVA)选择语音质量评估参数种类和数量,将挑选出的语音质量评估参数用于SVM分类机的训练,通过SVM的学习对可疑的语音进行隐藏信息盲检测.实验结果表明,该方法对常用的变换域信息隐藏方法有较好的检测效果.     

基于小波包分解的图像信息隐写盲检测

基于小波包分解,提出了一类新的具有较高检测正确率的图像信息隐写盲检测方法.首先对图像进行小波包分解得到多个子带,从子带系数以及图像像素中提取直方图特征函数多阶绝对矩作为特征,然后对提取的特征进行预处理并设计BP神经网络分类器进行分类.针对LSB、SS、Jsteg、F5及MB等典型隐写的实验表明:此方法相比现有的典型盲检测方法,正确检测率提高约7.5%～17.2%,且具有更好的通用性.此外,还讨论了整数和非整数小波包分解对检测结果的影响.     

基于特征函数和高阶统计量的图像信息隐藏盲检测方法

本文对Farid的盲检测算法作了改进,提出了一种更为有效的图片信息隐藏盲检测方法.该方法引入特征函数来描述图片的统计规则性,并将图片小波子带系数及其线性预测误差的特征函数的高阶统计量作为图片的特征向量来建立分类模型.实验结果表明,该方法能有效检测出含隐藏信息的图片.     

基于视觉特性和小波分解的数字水印隐藏方法

本文提出了一种隐藏数字水印的新方法,该方法所隐藏的不是传统的序列码或比特流,而是将水印作为一幅二值图像来处理;并结合人眼视觉模型（ＨＶＳ）和图像的ＤＷＴ多尺度分解来隐藏水印。实验表明这种新方法在降低原始图像变换后视觉失真和提取的被隐藏水印图像失真两方面都达到较好的效果,鲁棒性也较好,这是一种很有发展前景的数字水印隐藏新方法。     

基于小波分解和SVM的城市大气污染浓度预测

使用一种结合小波分解和支持向量机的方法建立城市大气污染物浓度预测模型。首先将大气污染物浓度数据序列小波分解和重构为不同频段的分解序列,然后对各分解序列使用不同的模型进行预测,最后将各分解序列的预测结果合成为浓度的最终预测结果。实验结果表明,该模型的预测精度优于RBF神经网络模型及一般支持向量机模型。     

基于椭圆曲线密码体制与小波分析的秘密信息隐藏

文中利用椭圆曲线密码体制密钥短，安全性高的特点，并运用小波分析技术，将加密通信和信息隐藏相结合，提出基于椭圆曲线密码体制与小波分析的秘密信息隐藏方案。文中对方案各部分进行了详细介绍，并给出信息隐藏的效果图。     

基于小波变换的语音信息隐藏新方法

针对音频载体在隐藏机密信息时,存在隐藏容量小、隐蔽性不高和鲁棒性较差等不足,该文提出一种基于小波变换的音频信息隐藏新算法。该算法利用人耳听觉系统对语音信号的中高频信息微小变化不敏感的特性,调节语音段小波变换的中高频系数,进而改变每级小波变换高频系数前后两部分的能量状态来隐藏二进制机密信息。首先测试隐藏深度、隐藏频段和载体语音分段长度3个参数对载体语音质量和机密信息误码率的影响,选择算法所需的最佳参数,然后测试算法的可行性和各项评价指标,最后对算法进行常见的5种攻击测试。测试结果表明该算法能够实现机密信息的盲提取;具有良好的隐蔽性和鲁棒性,能够抵御加噪、低通滤波、重采样、重量化和回声干扰等多种攻击;具有较大的隐藏容量,且语音分段长度越短,隐藏容量越大。     

针对小波域量化隐藏方法的图像监测技术研究

基于对图像小波变化后各子带系数的不同统计特性，提出了一种针对小波域信息隐藏算法的新型图像隐写术分析技术。通过对原始图像和隐藏信息后的图像的小波变换系数子带直方图的分析，得出了小波域信息隐藏对子带系数的改变特性。进一步对系数进行傅立叶变换，从而量化信息隐藏对系数的影响程度。实验结果表明该方法适用于小波域量化隐藏信息算法的检测。     

一种基于小波变换的自适应音频流媒体信息隐藏算法

以音频流媒体信号为载体,应用小波分析与重构、小波快速算法、隐藏门限计算和自适应误差调节等基础理论,提出了一种基于小波变换的自适应信息隐藏算法,并从信息的嵌入和信息的提取两个方面详细阐述了隐藏算法的实现过程,最后给出了仿真实验结果和隐藏效果分析评价。     

基于小波分解和支持向量机的网络流量组合预测

研究网络流量预测问题,网络流量具有突发性、周期性、非线性特点,传统网络流量预测模型无法建立准确预测模型,导致预测误差大,预测精度低.为了提高网络流量的预测精度,提出一种小波分解和支持向量机的网络流量预测模型.首先采用小波变换对网络流量进行分解,把网络流量不同特性成分分离出来,然后采用支持向量机对各分量进行预测,最后采用小波变换对各分量预测结果进行重构,得到网络流量的最终预测结果.仿真实验结果表明,相对其它预测模型,提高了网络流量的预测精度,为网络流量预测优化提供了可靠依据.     

Wavelet kernel Support Vector Machines for sparse approximation

Wavelet, a powerful tool for signal processing, can be used to approximate the target function. For enhancing the sparse property of wavelet approximation, a new algorithm was proposed by using wavelet kernel Support Vector Machines （SVM）, which can converge to minimum error with better sparsity. Here, wavelet functions would be firstly used to construct the admitted kernel for SVM according to Mercy theory; then new SVM with this kernel can be used to approximate the target funciton with better sparsity than wavelet approxiamtion itself. The results obtained by our simulation experiment show the feasibility and validity of wavelet kernel support vector machines.     

基于协方差矩阵的CFA插值盲检测方法

从数字图像中盲检测数码相机采用的CFA插值算法,可以为数字图像取证提供重要的技术手段。该文基于线性插值模型,利用协方差矩阵构建插值系数方程组,并将估计的插值系数构成特征向量空间,采用支持向量机作为分类工具,提出了一种对不同的CFA插值算法进行准确分类的盲检测方法。实验表明,该文方法对于不同的CFA插值算法均能达到较高检测正确率。同时,相比现有的CFA插值检测方法,该文算法对加性高斯白噪声和有损JPEG压缩具有更好的鲁棒性。     

基于相关性分析和支持向量机的手部肌电信号动作识别

为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。     

一种合成孔径雷达图像特征提取与目标识别的新方法

该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征,利用支持向量机进行分类完成目标识别。实验结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像特征提取和目标识别方法。     

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

局部分布信息增强的视觉单词描述与动作识别

传统的单词包(Bag-Of-Words, BOW)算法由于缺少特征之间的分布信息容易造成动作混淆,并且单词包大小的选择对识别结果具有较大影响。为了体现兴趣点的分布信息,该文在时空邻域内计算兴趣点之间的位置关系作为其局部时空分布一致性特征,并提出了融合兴趣点表观特征的增强单词包算法,采用多类分类支持向量机(Support Vector Machine, SVM)实现分类识别。分别针对单人和多人动作识别,在KTH数据集和UT-interaction数据集上进行实验。与传统单词包算法相比,增强单词包算法不仅提高了识别效率,而且削弱了单词包大小变化对识别率的影响,实验结果验证了算法的有效性。     

基于多实例回归模型的视觉跟踪算法研究

目前大部分基于检测的跟踪算法将跟踪任务看作是一个类别分类的任务,当目标发生形变或者遇到相似物体的干扰时,容易导致模型漂移。为此该文提出一种多实例回归跟踪算法。在该算法中,跟踪任务被认为建立在实例模型之上更为合适,为此该文利用一帧图像建立实例模型,并在时间序列上建立多实例模型集合表征目标的最近状态;为使跟踪算法能够适应目标的形变,利用逻辑回归将实例模型作为隐变量,由最近若干帧建立的正负样本集作为训练集,共同构建多实例回归跟踪模型。由于跟踪模型在整体上对多个实例模型建模,把它们紧密地联系在一起,故能有效应对目标的形变;由于模型漂移仅会影响当前帧的实例模型,各个实例模型之间互相独立,故跟踪算法能够有效减轻模型漂移对鲁棒跟踪的影响。实验中,OTB 2013数据库和UAV 123数据库被用来验证该文算法,DeepSRDCF, Siamese-fc等算法作为对比算法,实验结果表明,该文算法不仅充分发挥了基于多实例回归模型进行跟踪的优势,在形变等属性上具有很好的性能,而且在整体性能上优于各类先进算法3%~5%。     

基于心动周期估计的心音分割及异常心音筛查算法

心脏疾病是全球发病率和死亡率最高的疾病,心音听诊可以获取心脏的机械特性及结构特征,与超声心动图、核磁共振等无创诊断技术相比具有快速、低成本和操作简单的优势。心音信号成分复杂,容易受到各种噪声和干扰的影响,听诊诊断结果容易受到医生主观性的影响,极大限制了心音听诊的应用。该文提出一种基于心动周期估计的心音分割及异常心音筛查算法,预先估计了心音的心动周期,存在随机干扰的情况下也可以正确识别信号中80%以上的心动周期,提高了算法的稳定性。同时提出了区分度良好的时域和频域特征指标,利用支持向量机建模,对异常心音的识别率可达92%。算法可辅助医生诊断,或用于家用便携式心音监护设备。     

SVM算法在硬件木马旁路分析检测中的应用

集成电路(ICs)面临着硬件木马(HTs)造成的严峻威胁。传统的旁路检测手段中黄金模型不易获得,且隐秘的木马可以利用固硬件联合操作将恶意行为隐藏在常规的芯片运行中,更难以检测。针对这种情况,该文提出利用机器学习支持向量机(SVM)算法从系统操作层次对旁路分析检测方法进行改进。使用现场可编程门阵列(FPGA)验证的实验结果表明,存在黄金模型时,有监督SVM可得到86.8%的训练及测试综合的平均检测准确率,进一步采用分组和归一化去离群点方法可将检测率提升4%。若黄金模型无法获得,则可使用半监督SVM方法进行检测,平均检测率为52.9%～79.5%。与现有同类方法相比,验证了SVM算法在指令级木马检测中的有效性,明确了分类学习条件与检测性能的关系。

     

基于小波核主成分分析的相关向量机高光谱图像分类

相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法,然而算法本身存在对于高维大样本数据训练时间过长、分类精度不高的问题。针对这些问题,该文提出一种基于新型核主成分分析的RVM分类方法。该方法首先将核函数引入到主成分分析中,然后应用小波核函数代替传统核函数,利用小波核函数的多分辨率分析特点,进一步提高核主成分分析(KPCA)非线性映射能力,最终将新型核主成分分析算法与相关向量机相结合,对高光谱图像进行分类。仿真实验结果表明,将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预处理后,类内类间距离比降低20%,方差整体增幅较大,最终将处理后的数据应用于相关向量机的高光谱图像分类中,分类精度提升3%~5%。