基于神经网络理论的音频信息隐藏技术研究

《基于神经网络理论的音频信息隐藏技术研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、武汉理工大学硕士学位论文基于神经网络理论的音频信息隐藏技术研究姓名：孙琼申请学位级别：硕士专业：信号与信息处理指导教师：王虹20080401摘要随着网络通信技术和信息处理技术的发展，信息隐藏作为一种新的信息安全技术，在隐蔽通信方面得到广泛地研究与应用。信息隐藏技术是将特定的信息嵌入到图像、语音、视频或文本文件等各种数字媒体中，以达到信息隐藏的目的。同时，这种特定信息对宿主媒体的影响不足以引起人们的注意且具有特定的恢复方法，此信息对非法接收者应该是不可见且不易觉察的。目前信息隐藏的研究主要集中在音频数字水印，水印为二值图像，隐藏信息量少，在一个系数上隐藏数据的状态只有O或l。而且盲水印

2、嵌入算法是采用量化技术，将信息嵌入不同的区间达到盲检测的目的。为改变这种现状，本文研究了一种新的基于神经网络理论的信息隐藏算法。分别使用感知器神经网络、BP神经网络和Elman神经网络来进行音频信息中灰度图像的隐藏和提取。寻找在不同的训练点数和嵌入强度下，适合于隐藏灰度图像的理论与技术。该算法隐藏的数据量大，可以实现灰度图像的盲检测，提取图像的速度快，且具有较强的抗攻击性等特点。本文的主要研究内容如下：(1)分析了信息隐藏和神经网络的国内外发展现状和研究热点，介绍了信息隐藏技术的特点与应用，分析了现有信息隐藏技术的特点和不足。研究了基于神经网络的信息隐藏技术，重点阐述了神经网络在信息

3、隐藏中的研究与应用。(2)研究了神经网络的基本概念、一般模型和学习规则，分别讨论了前馈型神经网络中的感知器神经网络和BP神经网络，反馈型神经网络中Elman神经网络的基本特征，并分别将以上理论运用于音频信息隐藏技术研究。(3)针对感知器神经网络、BP神经网络以及Elman神经网络，讨论了不同训练点数的选取，嵌入灰度图像强度的选择对图像提取效果的影响，并且针对Gaussian噪声对音频的攻击性，进行了大量的仿真实验，给出测试结果及其分析。实验结果表明，在基于神经网络理论的音频信息隐藏技术中，嵌入的数据量大，提取的时间短和抗攻击的能力强。关键词：信息隐藏，神经网络，灰度图像，音频信息AB

4、STRACT晰tllthedevelopmentofnetworkcommunicationandinformationprocessingtechnology,informationhidingasanewinformationsecuritytechnologyismoreandmorewidelyresearchedandimplementedintheaspectofcovertcommunication．Accordingtoinformationhidingtechnology,specificinformationisembeddedinkindsofdigitalme

5、dialikeimage，audio，video，textandSOOil．Thusthepurposeofinformationhidingisachieved．Meanwhile，theeffectduetothespecificinformationisnotenoughtoattractpeople’Sattention．111einformationcouldberestoredbythespecificrecoverymethod．Andtheinformationisinvisibleandnoteasilyawareforillegalreceiver．Atprese

6、nt,theresearchesofinformationhidingmainlyfocusontheaudiodigitalwatermarL111ewatermarkisabinaryimage．Andtheamountofhidinginformationisverysmall，andthestateononecoefficientofhidingdataisonly0or1．Thequantizationtechnologyisadoptedbythealgorithmofembeddingblindwatermark．Thentheblinddetectingisreali

7、zedbyembeddingtheinformationintothedifferentintervals．Inordertochangethissituation,anewhidingalgorithmbasedonneuralnetworktheoryisstudiedinthethesis．Taketheembeddedgreyimage嬲thestudyobject．AndPerceptronneuralnetwork,BPneuralnetwor