基于模糊C均值聚類的音頻隱寫分析方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論(0)
針對(duì)傳統(tǒng)的二分類音頻隱寫分析方法對(duì)未知隱寫方法的適應(yīng)性較差的問題,提出了一種基于模糊C均值(FCM)聚類與單類支持向量機(jī)(OC-SVM)的音頻隱寫分析方法。在訓(xùn)練過程中,首先對(duì)訓(xùn)練音頻進(jìn)行特征提取,包括短時(shí)傅里葉變換( STFT)頻譜的統(tǒng)計(jì)特征和基于音頻質(zhì)量測(cè)度的特征,然后對(duì)所提取的特征進(jìn)行FCM聚類得到C個(gè)聚類,最后送入多個(gè)超球面的OC-SVM分類器進(jìn)行訓(xùn)練;檢測(cè)過程中,對(duì)測(cè)試音頻進(jìn)行特征提取,根據(jù)多個(gè)超球面OC-SVM分類器的邊界對(duì)待測(cè)音頻進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明,該隱寫分析方法對(duì)于幾種典型的音頻隱寫方法能夠較為正確地檢測(cè),滿容量嵌入時(shí),測(cè)試音頻的總體檢測(cè)率達(dá)到85. 1%,與K-means聚類方法相比,所提方法的檢測(cè)正確率提高了至少2%。該隱寫分析方法比二分類的隱寫分析方法更具有通用性,更適用于隱寫方法事先未知情況下的隱寫音頻的檢測(cè)。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于模糊C均值聚類的音頻隱寫分析方法下載
相關(guān)電子資料下載
- 對(duì)新輔助TCHP治療響應(yīng)的HER2+乳腺癌空間蛋白質(zhì)組特征 547
- 使用輪廓分?jǐn)?shù)提升時(shí)間序列聚類的表現(xiàn) 316
- 基于K-means聚類算法的圖像分割 1113
- 介紹一種基于最小化平方誤差的聚類算法 498
- 介紹一種基于分層聚類方法的木馬通信行為檢測(cè)模型 1060
- 深度學(xué)習(xí)聚類的綜述 780
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法綜述(二) 679
- 如何在 Python 中安裝和使用頂級(jí)聚類算法 415
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法綜述(一) 638
- 機(jī)器學(xué)習(xí)之分類分析與聚類分析 3550