این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۵، شماره ۳، صفحات ۱۱۳-۱۲۲
عنوان فارسی نهان‌کاوی صوت مبتنی بر همبستگی بین فریم و کاهش بازگشتی ویژگی
چکیده فارسی مقاله سیگنال­‌های صوتی دیجیتال، به‌دلیل این­که حاوی نرخ اطلاعات زیادی هستند، پوشش مناسبی برای روش‌­های نهان‌­نگاری محسوب می­‌شوند. روش‌­های متنوعی برای نهان‌­نگاری داده‌­های مختلف و به تبع آن نهان­‌کاوی داده­‌ها در سیگنال صوتی وجود دارد. در این میان روش‌­های نهان­‌کاوی فراگیر به‌دلیل عدم وابستگی به الگوریتم نهان­‌نگاری، کاربرد وسیع‌­تری دارند. در این مقاله روش جدیدی برای نهان­‌کاوی فراگیر ارائه شده که در آن با به‌کارگیری ضرایب مربوط به همبستگی بین فریم، دقت نهان­‌کاوی به مقدار قابل توجهی افزایش پیدا کرده است. همچنین عملکرد ماشین بردار پشتیبان با به‌کارگیری الگوریتم کاهش بازگشتی ویژگی­‌ها به‌همراه کاهش بایاس ناشی از همبستگی بین آن­ها بهبود یافته که منجر به افزایش پایداری نهان­‌کاوی و دقت بیشتر شده است.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Audio Steganalysis based on Inter-frame correlation and recursive feature elimination
چکیده انگلیسی مقاله Dramatic changes in digital communication and exchange of image, audio, video and text files result in a suitable field for interpersonal transfers of hidden information. Therefore, nowadays, preserving channel security and intellectual property and access to hidden information make new fields of researches naming steganography, watermarking and steganalysis. Steganalysis as a binary classification distinguish clean signals from stego signals. Features extracted from time and transform domain are proper for this classifier. Some of steganalysis methods are depended on a specific steganography algorithm and others are independent. The second group of methods are called Universal steganalysis. Universal steganalysis methods are widely used in applications because of their independency to steganography algorithms. These algorithms are based on characteristics such as distortion measurements, higher order statistics and other similar features. In this research we try to achieve more reliable and accurate results using analytical review of features, choose more effective of them and optimize SVM performance. In new researches Mel Frequency Cepstral Coefficient and Markov transition probability matrix coefficients are used to steganalysis design. In this paper we consider two facts. First, MFCC extract signal   features in transform domain similar to human hearing model, which is more sensitive to low frequency signals. As a result, in this method there is more hidden information mostly in higher frequency audio signals. Therefore, it is suggested to use reversed MFCC. Second, there is an interframe correlation in audio signals which is useful as an information hiding effect. For the first time, in this research, this features is used in steganalysis field. To have more accurate and stable results, we use recursive feature elimination with correlation bias reduction for SVM. To implement suggested algorithm, we use two different data sets from TIMIT and GRID. For each data sets,Steghide and LSB-Matching steganography methods implement with 20 and 50 percent capacity. In addition, one of the LIBSVM 3.2 toolboxes is sued for implementation. Finally, the results show accuracy of steganalysis, four to six percent increase in comparison with previous methods. The ROC of methods clearly shows this improvement.  
کلیدواژه‌های انگلیسی مقاله steganalysis, steganography, Mel, SVM-RFE+CBR
نویسندگان مقاله فاطمه اشعری | Fatemeh Ashari
دانشکده فنی و مهندسی دانشگاه الزهرا(س)

نوشین ریاحی | Nooshin Riahi
دانشکده فنی و مهندسی دانشگاه الزهرا(س)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1226-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1128502.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات