ارائه یک روش استخراج هوشمند در سیستم های نهان نگاری صوتی بر اساس تبدیل موجک ارتقاء یافته و ماشین بردار پشتیبان

امروزه رشد سریع استفاده از فناوری اطلاعات و شبکه های کامپیوتری، باعث افزایش انتقال اطلاعات در فرم دیجیتال شده است. بهمین دلیل حفاظت از داده های ارسالی به یکی از مهمترین چالش ها در این زمینه مبدل گشته است. نهان نگاری بعنوان یکی از جدیدترین و مهمترین تکنیک ها برای حفاظت داده ها معرفی شده و مورد استفاده قرار می گیرد. نهان نگاری صوتی بدلیل ماهیت فایلهای صوتی بعنوان چالش برانگیزترین نوع نهان نگاری مطرح شده است. اکثر روش های استخراج در الگوریتم های نهان نگاری که عمدتا از تکنیک های غیر هوشمند و بر اساس معکوس قوانین درج، برای فاز استخراج در نهان نگاری صوتی استفاده می کنند، اغلب قادر به استخراج دقیق نهان نگاره نیستند و خطای زیادی در تشخیص دارند. راهکار پیشنهادی ما برای حل این مشکل، استفاده از الگوریتمی هوشمند برای استخراج نهان نگاره است. هدف این مقاله، ارائه روشی است که با استفاده از دسته بند آموزش دیده ی مبتنی بر یادگیری ماشین نقاط ضعف روش های 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 دسته بند ماشین بردار پشتیبان استفاده می شود. دسته بند آموزش دیده، قادر به تشخیص تاثیر حملات مختلف بر روی فایل صوتی و در نتیجه استخراج هوشمندانه و دقیق نهان نگاره می باشند. نتایج آزمایشات مختلف تحت شرایط متفاوت، نشان می دهد که این روش هوشمند، به شفافیت مناسب و ظرفیت بالا، در کنار مقاومت بالا دست یافته است.

کلیدواژه ها:

Audio watermarking ، Lifting wavelet transform (LWT) ، classifier ، Machine Learning ، Support vector machine (SVM)