基于心理声学模型的盲音频数字水印改进型算法

以往基于离散小波变换的音频数字水印算法鲁棒性不强,无法对数字音频信号的版权进行真正地保护,因此改进了算法,利用心理声学模型,控制水印信号的嵌入,通过计算音频信号的掩蔽阀值,在保证水印嵌入不可察觉的前提下,增大水印的嵌入强度。仿真实验证明,该算法具有较强的鲁棒性和不可感知性,能有效抵御各种常见攻击,并且能实现盲检测。     

音频数字水印中回声隐藏技术的时域提取方法

回声隐藏是利用音频作载体的一种信息隐藏技术。根据音频数字水印的应用情况，提出了时域水印提取的方法，通过matlah仿真实现。并在此基础上，提出了利用空余隐藏量降低误码率的改进方法。实验证明，在44100Hz采样频率的条件下完全可以获得很好的音频数字水印的运用效果。     

基于神经网络的自适应彩色图像盲水印算法

文中提出的算法是自适应地将水印嵌入，并利用神经网络实现水印的盲提取。首先将二值水印嵌入到YIQ色彩空间的Y分量小波分解的低频系数中，为达到平衡水印图像的鲁棒性和不可见性，嵌入的强度是根据人类视觉特性自适应调整至最佳；利用BP神经网络的学习和自适应的特性和一段已知序列训练神经网络，可实现水印的盲提取；在神经网络的输入信号计算上提出选择邻域窗口为3＊3方形窗口比十字窗口具有更好的实验效果。仿真实验结果表明该算法对常用的图像处理具有较好的鲁棒性和不可见性。     

基于神经网络的自适应彩色图像盲水印算法

文中提出的算法是自适应地将水印嵌入,并利用神经网络实现水印的盲提取。首先将二值水印嵌入到YIQ色彩空间的Y分量小波分解的低频系数中,为达到平衡水印图像的鲁棒性和不可见性,嵌入的强度是根据人类视觉特性自适应调整至最佳;利用BP神经网络的学习和自适应的特性和一段已知序列训练神经网络,可实现水印的盲提取;在神经网络的输入信号计算上提出选择邻域窗口为3*3方形窗口比十字窗口具有更好的实验效果。仿真实验结果表明该算法对常用的图像处理具有较好的鲁棒性和不可见性。     

基于m序列的音频水印隐藏算法

该文提出基于m序列的音频信息隐藏算法,将需要隐藏的水印信息进行m序列的扩展;对数字音频信号进行分段离散小波变换,最后将经过调制的水印信号嵌入到二层小波变换的中频系数中。在接收端,利用盲检测可以精确地提取水印信号。实验仿真结果表明:算法对原始载体音频信号的影响极小,具有较好的鲁棒性和透明性。     

基于人工神经网络的数字音频水印算法

提出了一种新的基于神经网络训练学习的数字音频水印算法 ,采用本算法在一段数字音频数据中隐藏了一幅不可感知的二值图像 .通过后向传播算法的神经网络训练出模板信号与嵌入了水印信号的音频之间的关系特征 ,由于神经网络具有学习和自适应的特性 ,通过训练后的神经网络几乎能够完全恢复嵌入到音频中的水印数据 .通过仿真实验结果表明该算法具有较好的鲁棒性和抵抗常用的信号处理方法的处理的能力 ,特别是在水印检测时不需要原始的音频信号 .     

基于小波包和声理声学模型的音频编码算法

文中提出了一种新的适用于实时多媒体应用领域的音频编码算法。该算法首先对音频信号进行小波包分解,然后在小波域中计算掩蔽阈值,最后根据从心理声学模型得到的信号－掩蔽比来对各子带小波系数进行动态比特分配、量化和编码。实验结果表明该算法将ＣＤ音频信号压缩到６４Ｋｂｐｓ时,恢复信号的分段信噪比为３２．３２ｄＢ,主观上感觉无失真,该算法计算简单,可在不需任何附加硬件的Ｐｅｎｔｉｕｍ １３３ＨＭｚ个人计算机上实     

一种基于回声隐藏的音频数字指纹算法

回声隐藏是利用人类听觉系统的的后屏蔽效应,将秘密数据作为载体数据的环境条件而嵌入到载体数据中,其对一些有损压缩的算法具有一定的鲁棒性。主要介绍在音频作品中利用回声编码嵌入用户的指纹信息。为了进一步提高鲁棒性,在嵌入前先对指纹进行混沌处理,然后在音频的分段中嵌入指纹。实验表明,该指纹嵌入算法能够很好地抵抗常见的用户攻击,具有一定的鲁棒性。     

基于协同神经网络的图像数字水印算法

为保证图像数字水印的鲁棒性和安全性,结合加密技术,提出了一种使用协同神经网络的图像数字水印算法。该算法是先对有意义的灰度图像进行水印序列化处理后,再将其作为水印信号嵌入到载体图像的分块DCT系数直流分量里。水印的检测提取算法是采用协同神经网络,将疑似水印信号作为网络的输入,而网络的输出就是识别的结果。经仿真实验验证,该算法可承受一定的图像处理操作,不仅能同时完成水印的检测与提取,而且能有效判断水印的归属,具有较好的性能。     

基于差值扩展的音频无损信息隐藏算法

在Tian算法的基础上,提出了一种基于音频的无损信息隐藏算法。该算法首先对载体音频进行溢出预处理和采样点分类,然后利用差值扩展方法,将隐秘信息嵌入到扩展差值的LSB位。在提取时,利用无损解码技术得到位置映射表,再提取出隐秘信息后,载体音频可以实现无损恢复。仿真结果证明,算法能获得较高的隐藏容量,并能有效地保证含秘音频的感知质量。     

基于Hopfield神经网络的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法。基于噪声可见函数实现了水印的自适应嵌入,利用Hopfield神经网络记忆宿主图像以及原始水印信息。在水印检测时,通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息,再利用嵌水印图像和联想出的宿主图像提取出水印,实现了水印的盲检测。     

一种基于人工神经网络的音频水印算法

本文提出了一种新的基于人工神经网络的音频水印算法。该算法利用人工神经网络来智能地估计原宿主信号的水印强度因子,并以这些强度因子的值作为确定水印嵌入强度的依据,以此种方式嵌入水印后的信号其能量频谱能够总是保持在宿主信号的最小听觉掩蔽门限之下。实验结果表明,在音频作品里面以这样的方式加入水印,不但能够保持相当好的透明性,而且对诸如加噪、重采样、重新量化等攻击表现出较好的稳健性。     

基于HVS的自适应鲁棒视频水印算法

视频水印与静止图像比较,包含有运动部分,具有变化的特性。根据人眼对快速运动的物体敏感度会下降的特点及DCT域视觉掩蔽模型,提出一种自适应的鲁棒视频水印算法。算法首先通过比较I帧与相邻帧的同一区域的DCT直流系数,得到一个快速运动图像块集,然后在该图像块集中根据视觉掩蔽模型计算图像块的DCT中频系数,选择区域自适应嵌入水印。仿真实验表明,该水印算法不仅能很好地抵抗MPEG压缩,而且能较好地协调不可见性和鲁棒性,并能抵抗一定的几何攻击。     

基于BP神经网络的系统级电源管理算法

在深入研究目前国际上比较流行的几种系统级电源管理（PM）算法的基础上，利用BP神经网络的非线性映射能力，提出基于BP神经网络的、对任务之间相互间隔时间也就是系统空闲时段的长度进行自适应学习的BPPM算法，具有传统回归PM算法不可比拟的优点。仿真实验表明引入神经网络的电源管理算法较之传统PM算法大大降低了系统级功耗。实现了在不需要建立系统模型、无需预先获得负载统计特性的前提下，通过从系统正常工作产生的数据中不断学习，使系统具有自适应、高效的电源管理能力，以达到降低系统功耗、提高器件可靠性、延长工作寿命的目的。     

基于自适应学习速率的改进BP神经网络

BP神经网络自被提出以来,便作为非线性系统的辨识工具在模式识别、系统控制等多领域得到广泛应用。但BP算法仍存在缺陷,在学习时容易陷入局部极小。本文采用调整神经元转换函数的方法,并采用学习速率自适应调整来克服网络训练速度慢、不易收敛到全局最优等缺点。通过仿真实验表明,改进后的方法可行。     

基于离散余弦变换的自适应数字音频水印技术研究

提出了一种将灰度图像嵌入到音频信号的数字水印算法 .该算法以包含丰富信息的灰度图像作为数字水印 ,首先利用 DCT静态图像压缩技术 ,将二维数字水印 (灰度图像 )编码成一维二进制序列并进行随机置乱 ,再对数字音频信号进行分段处理并依据人类听觉系统 (HAS)择段做离散余弦变换 (DCT) ,最后在离散余弦变换域内通过修改中高频 DCT系数完成水印信息的自适应嵌入 .实验结果表明 :该自适应数字音频水印算法不仅具有较好的透明性 ,而且对诸如叠加噪声、有损压缩、低通滤波、重新采样、重新量化等攻击均具有较好的鲁棒性     

基于内容的自适应小波域数字音频水印算法研究

以整型提升小波变换、静态图像压缩编码、人类听觉系统（HAS）为基础，提出了一种将灰度图像（即二维数字水印）嵌入到数字音频信号的新水印算法．该算法具有以下特点：（1）应用静态图像压缩编码技术，实现了以灰度图像作为水印信号的数字音频水印算法；（2）充分利用人类听觉系统（HAS），实现了二维数字水印的自适应嵌入，增强了算法的透明性和鲁棒性，（3）二维数字水印的提取不需要原始音频信号．仿真实验表明：该自适应数字音频水印算法不仅具有较好的透明性，而且对诸如叠加噪声、有损压缩、低通滤波、重新采样、重新量化等攻击均具有较好的鲁棒性．     

基于改进BP网络的人脸信息获取算法

人脸识别技术在各领域都有着广泛的应用前景,但人脸信息量过于巨大,就目前的计算机处理能力而言,尚不能完美地解决这个问题,但通过一定的技术达成人脸信息识别的部分功能还是可行的.该文利用BP算法,分别设计了适合于完成部分脸信息提取分类的神经网络结构,测试了几种训练算法在人脸信息识别应用中的实际效果,并通过性能比较选出了适用的学习算法,最终在人脸是否带墨镜、表情、性别识别上达到较好的效果.     

基于AP二次聚类的神经网络集成算法研究

为了提高个体神经网络精度及差异度进而提高神经网络集成(Neural Network Ensemble,NNE)的泛化性能,提出了一种基于二次聚类的神经网络集成方法。首先对所有样本进行聚类,得到第一次聚类样本子集;然后对每一类样本子集进行二次聚类,得到每一子类的样本子集,通过Affinity Propagation(AP)聚类使得"类内相似,类间相异"的准则最大化,类内样本能够反映真实的数据分布;最后按照排列组合的方式,从二次聚类的每个样本子集中选取一类样本构成训练集来构造一个个体神经网络。这样从不同类中选择样本集构造的个体神经网络差异性较大,既能使数据的规模较小,又能反映真实的数据分布,用这种方法产生的个体神经网络进行集成具有较高的性能。仿真实验表明,该方法能够取得较好的性能。     

一种基于神经网络集成的决策树构造方法

神经网络集成方法具有比单个神经网络更强的泛化能力,却因为其黑箱性而难以理解;决策树算法因为分类结果显示为树型结构而具有良好的可理解性,泛化能力却比不上神经网络集成。该文将这两种算法相结合,提出一种决策树的构造算法：使用神经网络集成来预处理训练样本,使用C4．5算法处理预处理后的样本并生成决策树。该文在UCI数据上比较了神经网络集成方法、决策树C4．5算法和该文算法,实验表明：该算法具有神经网络集成方法的强泛化能力的优点,其泛化能力明显优于C4．5算法;该算法的最终结果昆示为决策树,显然具有良好的可理解性。