نهان کاوی صوتی براساس مدل psychoacoustic معکوس شنیداری انسان

در دهه اخیر توجه زیادی به اطلاعات صوتی نهان شده بدلیل توانایی آن در فراهم کردن یک کانال ارتباطی پنهان جلب شده است. در راستای برنامه های نهان کاوی صوتی، پیاده سازی پیاده های توسعه شده مبتنی بر مدل شناختی انسان (HAS) برای استخراج ویژگی های مناسب و تشخیص کانال ارتباطی پنهان اهمیت دارد. در این مقاله، یک روش جدید برای نهان کاوی صوتی مبتنی بر استخراج ویژگی های Mel-frequency cepstral (R-MFCC) و استخراج ویژگی ها و کاهش پیچیدگی دسته بندی می شود که از مدل شناختی انسان (HAS) در نهایت، ماشین پشتیبان (SVM) برای بهینه سازی ویژگی از الگوریتم ژنتیک استفاده شده که باعث تسریع در روش های پیش بینی مبتنی بر D۲-MFCC عمل می کند. نتایج نشان می دهد که روش پیشنهادی با نرخ تشخص ۹۷.۸ % و ۹۴.۴ % در سناریوهای جهانی و با هدف های ۱۷.۳ % و ۲۰.۸ % بالاتر از روش های پیش بینی مبتنی بر D۲-MFCC عمل می کند.

کلیدواژه ها:

نهان کاوی صوتی ، Mel-frequency cepstral ، سیستم شناختی انسان (HAS) ، ماشین بردار پشتیبان (SVM)