[发明专利]一种基于深度学习的隐写分析混合集成方法

权利要求书

1.一种基于深度学习的隐写分析混合集成方法，其特征在于，具体操作步骤如下：

（1）划分数据集，通过高通滤波器得到残差图像，构建卷积神经网络，训练网络模型，保存最优的若干个模型，分别加载模型，将池化层的输出作为特征保存下来；

（2）改变高通滤波器，产生不同的残差图像，重复步骤（1），得到差异特征，进行特征融合后得到高维特征；

（3）将高维特征输入到PCA中进行降维；

（4）将步骤（3）降维后的特征输入到xgboost分类器中进行分类；

（5）将步骤（3）降维后的特征输入到SVM分类器中进行分类；

（6）将步骤（3）降维后的特征输入到KNN分类器中进行分类；

（7）将步骤（4）、步骤（5）和步骤（6）得到的分类结果进行集成学习，通过加权投票得到最终的分类结果。

2.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（1）中，将数据集随机划分为测试集和训练集，从训练集中选取一部分数据作为验证集，通过高通滤波器得到噪声残差作为卷积神经网络的输入，卷积神经网络基本结构主要包括卷积层、批归一化层、ReLU层和池化层，训练网络模型，利用验证集选取效果最好的若干个模型保存，加载模型，将最后一个卷积模块的池化层输出作为特征保存。

3.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（2）中，通过改变高通滤波器得到不同的残差图像，训练得到不同的模型，从而增加集成学习的多样性，得到更富于差异化的特征，将这些特征进行融合之后就得到表达能力更强的高维特征。

4.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（3）中，PCA为主成分分析，将数据空间通过正交变换映射到低维空间，只保留包含绝大部分方差的维度特征，忽略包含方差几乎为0的特征维度，从而去除噪声和不重要的特征，实现降维。

5.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（4）中，xgboost是在GDBT，即梯度提升决策树的基础上进行扩展和改进。

6.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（5）中，SVM指的是支持向量机，基本模型是在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大。

7.根据权利要求1所述的基于深度学习的隐写分析混合集成方法，其特征在于，所述步骤（6）中，KNN也叫K近邻，即如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。