一种基于深度强化学习的图像隐写分析集成分类优化方法技术

本发明专利技术涉及一种基于深度强化学习的图像隐写分析集成分类优化方法。具体操作步骤如下：（1）选取一定特征下若干个基分类器；（2）使用Bagging集成方法，生成若干强集成分类器；（3）固定生成的子分类器个数，并在子空间数相同的情况下，多次生成不同的数据集；（4）建立深度强化学习模型DQN，对步骤（3）中的数据集进行训练并筛选出在精度不变或者更好的情况下的更少个数的分类器集合；（5）将待判别的隐写数据输入到模型中，计算优化后的集成分类器精度和分类器个数。本发明专利技术可以有效地优化集成分类器的精度以及子分类器个数，适用于大量分类器集成判决的情况，达到更好的分类性能。

【技术实现步骤摘要】
一种基于深度强化学习的图像隐写分析集成分类优化方法
本专利技术涉及一种基于深度强化学习的图像隐写分析集成分类优化方法。
技术介绍
数字隐写是将秘密信息嵌入数字媒体进行隐蔽通信，隐写分析是为了检测数字媒体中秘密隐藏数据的存在。在大多数隐写分析技术中，使用从原始和隐藏媒体提取的一些敏感特征来训练分类器，对可疑媒体做出“正常”或“含密”决策。在隐写分析中，分类器的应用从早期的两类分类器到近期的多类分类器，集成分类器。而集成分类器的性能远远优于单一分类器。在现有的分类方法中，集成分类取得了很好的分类效果，因此，集成分类器在隐写分析中应用越来越广泛。但集成分类器选择大量基分类器进行综合判定，分类器集合有一定的冗余度，同时，随着集成分类器中基分类器数量的增加，模型的预测速度会下降，同时其需要的存储空间也会急剧增加。
技术实现思路
本专利技术目的是针对现有的隐写检测方法的不足，提出一种基于深度强化学习的图像隐写分析集成分类优化方法。为达到上述目的，本专利技术采用如下技术方案：一种基于深度强化学习的图像隐写分析集成分类优化方法，具体操作步骤如下：（1）选取一定特征下若干个基分类器；（2）使用Baggin本文档来自技高网...

【技术保护点】
1.一种基于深度强化学习的图像隐写分析集成分类优化方法，其特征在于，具体操作步骤如下：（1）选取一定特征下若干个基分类器；（2）使用Bagging集成方法，生成若干强集成分类器；（3）固定生成的子分类器个数，并在子空间数相同的情况下，多次生成不同的数据集；（4）建立深度强化学习模型DQN，对步骤（3）中的数据集进行训练并筛选出在精度不变或者更好的情况下的更少个数的分类器集合；（5）将待判别的隐写数据输入到模型中，计算优化后的集成分类器精度和分类器个数。

【技术特征摘要】
1.一种基于深度强化学习的图像隐写分析集成分类优化方法，其特征在于，具体操作步骤如下：（1）选取一定特征下若干个基分类器；（2）使用Bagging集成方法，生成若干强集成分类器；（3）固定生成的子分类器个数，并在子空间数相同的情况下，多次生成不同的数据集；（4）建立深度强化学习模型DQN，对步骤（3）中的数据集进行训练并筛选出在精度不变或者更好的情况下的更少个数的分类器集合；（5）将待判别的隐写数据输入到模型中，计算优化后的集成分类器精度和分类器个数。2.根据权利要求1所述的基于深度强化学习的图像隐写分析集成分类优化方法，其特征在于，所述步骤（1）中，选取相同嵌入率的不同方法下生成的若干基分类器作为初始数据。3.根据权利要求1所述的基于深度强化学习的图像隐写分析集成分类优化方法，其特征在于，所述步骤（2）中，其中Bagging集成方法又称自助聚集，是一种根据均匀概率分布从数据中重复抽样的方法，每个抽样生成的自助样本集上，训练一个基分类器；对训...

【专利技术属性】
技术研发人员：冯国瑞，胡丹丹，钟凯，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31