انجمن کامپیوتر ایران

نهان¬کاوی فراگیر تصاویر، کشف پیام مخفی در تصویر، مستقل از روش تزریق پیام مخفی است. محتوی تصویر به کار گرفته شده می¬تواند نقش مهمی در موفقیت نهان¬کاوی داشته باشد که تاکنون در تحقیقات انجام شده توجه چندانی به آن نشده است. اساسی¬ترین ویژگی هر تصویر بافت¬نگار آن است. اگر برای هر تصویر، یک تصویر معادل با تعداد رنگ کاهش یافته m ایجاد شود، بافت¬نگار آن بافت¬نگار کوانتیزه شده به m رنگ نامیده می¬شود. مقایسه بافت¬نگارهای کوانتیزه شده به تعداد رنگ مختلف می-تواند تغییرات جزئی حاصل از تزریق پیام به تصویر را آشکار سازد. در این مقاله اثر اختلاف واریانس جفت بافت¬نگارهای کوانتیزه بر نهان¬کاوی فراگیر بررسی شده است. نتایج نشان می¬دهد که در تصاویری که اختلاف واریانس بافت¬نگارهای اصلی و کوانتیزه آنها بیشتر است، احتمال شکست نهان¬کاوی فراگیر افزایش می¬یابد. این شکست در تصاویر حامل پیام مخفی مشهودتر است. با افزایش این اختلاف واریانس، مقادیر معیارهای ارزیابی نهان¬کاوی نسبت به یکدیگر واگراتر خواهد شد. این بدین معنی است که تأثیر عوامل دیگر مستقل از اختلاف واریانس در تصاویری که اختلاف واریانس زیاد است، بیشتر است. این تحقیق روی تصاویر خاکستری JPEG صورت گرفته است.

در این مقاله الگوریتمی جدید جهت آموزش شبکه عصبي برپایه روش نیوتن ارائه شده است. الگوریتم پیشنهادی با وجوداینکه در دسته الگوریتم¬های آموزش نیوتنی قرار می گیرد ولی نیازی به محاسبه مستقیم معکوس ماتریس هسین ندارد که علاوه بر کاهش هزینه محاسباتی، روش مذکور در صورتی که ماتریس بدست آمده منفرد باشد کارآ است.از مزایای آن این است که بر خلاف الگوریتم¬های رایج در آموزش شبکه های عصبي پیشرو مانند الگوریتم انتشار رو به عقب که بسیار وابسته به مقادیر اولیه پارامترهای آموزشی خود می باشند وابسته به مقادیر اولیه پارامترهای خود نبوده و می توان الگوریتم را به صورتی تنظیم کرد که از یک شیوه خود تطبیقی جهت تنظیم پارامترهایش استفاده کند.از روش پیشنهادی برای تقریب تابع و مقایسه آن با الگوریتم انتشار رو به عقب و بعضی از انواع آنو الگوریتم لونبرگ مارکوارت استفاده شده است.

شبکهی عصبی تابع پایهی شعاعی (RBF) به دلیل سادگی تخمین پارامتر‌های شبکه و ویژگی تعمیم‌‌پذیری آن به طور گسترده در مسائل دسته‌بندی و درونیابی به کار گرفته می‌شود. در این مقاله استفاده از الگوریتم بهینه‌سازی گروه ذرّات (PSO) در آموزش سه مرحله‌ای شبکه‌ی تابع پایهی شعاعی ارائه شده است. در روش ارائه شده از روشی جدید بر مبنای الگوریتم بهینه‌سازی گروه ذرّات برای تعیین مراکز واحدهای لایه میانی شبکه، از روش نزدیکترین k همسایه (kNN) برای تعیین پهنای آنها و از تندترین کاهش بهینه(OSD) برای تعیین اوزان شبکه در کنار تعیین نرخ بهینهی یادگیری (OLR) در آموزش آن استفاده شده است. روش مذکور برای دسته‌بندی پنج مسأله‌ی نمونه از پایگاه دادهی پروبن1 به کار برده شد و نتایج حاصل با روش آموزش سه مرحله‌ای دیگری مقایسه شده است. نتایج بدست آمده دقت بالاتر و انحراف کمتری را در پاسخ‌ها نشان می‌دهند.