基于模糊C均值聚類的音頻隱寫分析方法
大小：0.89 MB 人氣： 2017-12-21 需要積分：2
標(biāo)簽：聚類(14184)模糊C均值(1230)
針對傳統(tǒng)的二分類音頻隱寫分析方法對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，首先對訓(xùn)練音頻進(jìn)行特征提取，包括短時傅里葉變換（ STFT）頻譜的統(tǒng)計特征和基于音頻質(zhì)量測度的特征，然后對所提取的特征進(jìn)行FCM聚類得到C個聚類，最后送入多個超球面的OC-SVM分類器進(jìn)行訓(xùn)練；檢測過程中，對測試音頻進(jìn)行特征提取，根據(jù)多個超球面OC-SVM分類器的邊界對待測音頻進(jìn)行檢測。實驗結(jié)果表明，該隱寫分析方法對于幾種典型的音頻隱寫方法能夠較為正確地檢測，滿容量嵌入時，測試音頻的總體檢測率達(dá)到85. 1%，與K-means聚類方法相比，所提方法的檢測正確率提高了至少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。
非常好我支持^.^
(0) 0%
不好我反對
(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)計方法綜述（二） 679
- 如何在 Python 中安裝和使用頂級聚類算法 415
- 聚類分析中的機(jī)器學(xué)習(xí)與統(tǒng)計方法綜述（一） 638
- 機(jī)器學(xué)習(xí)之分類分析與聚類分析 3550