[发明专利]一种面向卷积神经网络隐写分析的优化方法

权利要求书

1.一种面向卷积神经网络隐写分析的优化方法，其特征在于，包括：

A、采用非线性的t-sne降维算法可视化同类隐写样本的类内聚集度，即高维点集：X{x₁,x₂,……,x_n}映射到低维点集Y{y₁,y₂,……,y_n}，包括以下步骤：

A1、首先使用t分布初始化低维样本空间，再进行逐步优化；在降维时设置学习率η，迭代次数t，困难系数p和初始化动量α(t)，p一般为0到50，避免陷入局部最优解；

计算高维空间中同类隐写样本中所有点的相似性p_i|j，其中σ为方差：

A2、计算低维空间中同类点中所有点的相似性q_i|j：

A3、计算降维前与降维后的误差，用于后面的梯度下降优化,其中P_i，Q_j为降维先后数据点的分布：

因此梯度为：

A4、更新低维点集：

B、采用平均变异系数衡量卷积神经网络隐写分析算法特征表达能力，包括以下步骤：

B1、设X_nm为同类隐写样本特征向量的集合，即，

其中，n为同类隐写样本数量，m为特征向量的维度数，x_ij为第i个样本的第j维特征值；

B2、按列计算同类隐写样本特征向量X_nm的第j维特征均值：

计算同类隐写样本特征向量X_nm的第j维特征标准差：

B3、根据变异系数的公式，可以得到同类隐写样本特征向量X_nm的第j维特征变异系数：

B4、对同类隐写样本的各维特征变异系数CV_j计算均值得到同类隐写样本特征的变异系数：

C、计算各种算法的不同特征的变异系数值，根据变异系数调整特征集，优化隐写分析性能，包括以下步骤：

C1、利用公式

计算训练集中cover样本集和stego样本集

C2、针对stego训练样本集，利用公式

计算同类隐写样本集特征向量X_nm的第j维特征变异系数CV_j，得到m维变异系数向量CV[m]；

C3、令I[m]保存CV[m]的大小降序排列变异系数向量的列号，即，I[m]＝sort_down(CV[m])；

C4、根据变异系数值大小去除前N个特征，即将X_nm中对应列特征值置0，形成可生成X'_nm的新网络，降低特征集的平均变异系数；

C5、对新生成的卷积神经网络进行训练，优化隐写分析性能。