针对音频文件可逆信息隐藏算法嵌入容量小、安全性不高的问题,文中提出了一种基于码分复用(Code Division Multiplexing,CDM)的音频文件大容量可逆信息隐藏(Reversible Data Hiding,RDH)算法。所提算法采用正交扩展序列将秘密信息可逆...针对音频文件可逆信息隐藏算法嵌入容量小、安全性不高的问题,文中提出了一种基于码分复用(Code Division Multiplexing,CDM)的音频文件大容量可逆信息隐藏(Reversible Data Hiding,RDH)算法。所提算法采用正交扩展序列将秘密信息可逆地嵌入音频文件中,不但可以保障所嵌入信息的无损提取,而且能够完全恢复原始音频信号;同时,基于嵌入向量的正交特性,将机密信息叠加嵌入到原始载体图像中,在嵌入过程中,不同嵌入向量中的大部分元素相互抵消,使得所提算法在大容量信息嵌入的情况下可取得更高的音频保真能力。而且,接收方只有采用相同的嵌入向量才能实现嵌入信息的正确提取与原始音频信息的无损恢复,有效提升了算法的安全性能。实验结果表明,与其他音频可逆信息隐藏算法相比,基于码分复用(CDM)的音频文件可逆信息隐藏(RDH)算法在相同文件失真情况下具有更大的可逆信息嵌入容量。展开更多
文摘针对音频文件可逆信息隐藏算法嵌入容量小、安全性不高的问题,文中提出了一种基于码分复用(Code Division Multiplexing,CDM)的音频文件大容量可逆信息隐藏(Reversible Data Hiding,RDH)算法。所提算法采用正交扩展序列将秘密信息可逆地嵌入音频文件中,不但可以保障所嵌入信息的无损提取,而且能够完全恢复原始音频信号;同时,基于嵌入向量的正交特性,将机密信息叠加嵌入到原始载体图像中,在嵌入过程中,不同嵌入向量中的大部分元素相互抵消,使得所提算法在大容量信息嵌入的情况下可取得更高的音频保真能力。而且,接收方只有采用相同的嵌入向量才能实现嵌入信息的正确提取与原始音频信息的无损恢复,有效提升了算法的安全性能。实验结果表明,与其他音频可逆信息隐藏算法相比,基于码分复用(CDM)的音频文件可逆信息隐藏(RDH)算法在相同文件失真情况下具有更大的可逆信息嵌入容量。
文摘癌症是世界上最致命的疾病之一。利用机器学习处理基因微阵列数据集(Microarray Data)对于协助癌症的早期诊断具有重要作用,但微阵列数据集中基因特征的数目远大于样本数目,造成样本不平衡,影响了分类的效率和精度,因此对基因阵列数据进行特征选择就显得尤为重要。现有的特征选择算法多为单一条件的特征选择,很少考虑特征提取,且大多采用存在已久的神经网络,分类精度较低。因此,文中提出了一种两阶段深度特征选择(Two-Stage Deep Feature Selection,TSDFS)算法。第一阶段集成3种特征选择算法进行全面的特征选择,得到特征子集;第二阶段使用非监督神经网络获得特征子集的最佳表示,进而提高最终的分类精度。通过特征选择前后的分类效果和不同特征选择算法之间的对比来分析TSDFS的有效性,实验结果表明,TSDFS在减少特征数目的同时保持或者提高了分类的精度。
