این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۹، شماره ۲، صفحات ۳۴-۴۷
عنوان فارسی ارائه یک روش استخراج هوشمند در سیستم‌های نهان‌نگاری صوتی بر اساس تبدیل موجک ارتقاء یافته و ماشین بردار پشتیبان
چکیده فارسی مقاله امروزه رشد سریع استفاده از فناوری اطلاعات و شبکه‌های کامپیوتری، باعث افزایش انتقال اطلاعات در فرم دیجیتال شده است. بهمین دلیل حفاظت از داده‌های ارسالی به یکی از مهمترین چالش‌ها در این زمینه مبدل گشته است. نهان‌نگاری بعنوان یکی از جدیدترین و مهمترین تکنیک‌ها برای حفاظت داده‌ها معرفی شده و مورد استفاده قرار می‌گیرد. نهان‌نگاری صوتی بدلیل ماهیت فایلهای صوتی بعنوان چالش برانگیزترین نوع نهان‌نگاری مطرح شده است. اکثر روش‌های استخراج در الگوریتم‌های نهان‌نگاری که عمدتاً از تکنیک‌های غیر هوشمند و بر اساس معکوس قوانین درج، برای فاز استخراج در نهان نگاری صوتی استفاده می‌کنند، اغلب قادر به استخراج دقیق نهان‌نگاره نیستند و خطای زیادی در تشخیص دارند. راهکار پیشنهادی ما برای حل این مشکل، استفاده از الگوریتمی هوشمند برای استخراج نهان‌نگاره است. هدف این مقاله، ارائه روشی است که با استفاده از دسته‌بند آموزش دیده‌ی مبتنی بر یادگیری ماشین نقاط ضعف روش‌های استخراج غیرهوشمند را پوشش داده و به بهبود عملکرد سیستم کمک کند. برای عملیات درج در روش پیشنهادی از تبدیل موجک ارتقا یافته استفاده نموده و در بخش استخراج نیز از دسته‌بند ماشین بردار پشتیبان استفاده می‌شود. دسته‌بند آموزش دیده، قادر به تشخیص تأثیر حملات مختلف بر روی فایل صوتی و در نتیجه استخراج هوشمندانه و دقیق نهان‌نگاره می‌باشند. نتایج آزمایشات مختلف تحت شرایط متفاوت، نشان می‌دهد که این روش هوشمند، به شفافیت مناسب و ظرفیت بالا، در کنار مقاومت بالا دست یافته است.
کلیدواژه‌های فارسی مقاله نهان نگاری صوتی، تبدیل موجک ارتقاء یافته، دسته بند، یادگیری ماشین، ماشین بردار پشتیبان،
عنوان انگلیسی Presenting an intelligent extraction method in audio watermarking systems based on lifting wavelet transform and support vector machine
چکیده انگلیسی مقاله Nowadays, the rapid growth of the use of information technology and computer networks has increased the transfer of information in a digital form. For this reason, the protection of data has become one of the most important challenges in this field. Watermarking is introduced as one of the newest and most important techniques for data protection. Audio watermarking is considered to be the most challenging type of watermarking due to the nature of audio files. The most extraction methods used in audio watermarking algorithms, which mainly use non-intelligent techniques based on the reverse of embedding rules for extraction phase of audio watermarking, often they are not able to extract watermarking exactly and have a lot of errors in extracting. Our proposed solution to solve this problem is to use an intelligent algorithm to extract the watermark. The purpose of this article is to provide a method that covered the weakness of non-intelligent extraction methods using trained machine learning classifier and helped to improve system performance. For the embedding operation, the Lifting Wavelet Transform (LWT) has been used in the proposed method; in the extraction operation, the Support Vector Machine (SVM) classifier is also used. The trained classifier is able to detect the effects of various attacks on the audio files and consequently, intelligent and precise extraction of watermark. The results of various experiments under different conditions indicate that this intelligent method has achieved appropriate imperceptibility and high capacity along with high robustness.
کلیدواژه‌های انگلیسی مقاله نهان نگاری صوتی, تبدیل موجک ارتقاء یافته, دسته بند, یادگیری ماشین, ماشین بردار پشتیبان
نویسندگان مقاله سید مصطفی پورهاشمی |
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران

محمد مصلح |
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران

یوسف عرفانی |
گروه مهندسی برق و کامپیوتر، دانشگاه McMaster، همیلتون، انتاریو، کانادا

نشانی اینترنتی https://jscit.nit.ac.ir/article_103555_6f1fc1836f46f75f5837f7c5862b5232.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات