Gauss Karışım Modeli ve Genlik Spektrumu Öznitelikleri ile Sesteki Gizli Bilginin Sezimlenmesi
Yükleniyor...
Tarih
2017
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Son yıllarda, dijital verilerin kullanımının önemli ölçüde artması ile dijital ortam verilerinin gizli haberleşme için kullanılması oldukça yaygınlaşmıştır. Bununla birlikte, dijital verilerdeki gizli mesajın tespiti (steganaliz) çalışmaları da aynı ölçüde önem kazanmaktadır. Bu çalışmanın amacı, literatürde konuşma işleme uygulamalarında yaygın olarak kullanılan Gauss karışım modeli (GKM) sınıflandırıcısı ve Mel-frekansı kepstrum katsayıları (MFKK) özniteliklerini kullanarak dijital ses (konuşma) dosyalarındaki gizli mesaj varlığını belirlemektir. 4380 adet konuşma sinyalinin kullanıldığı deneysel çalışmalardan MFKK öznitelikleri ve GKM sınıflandırıcısının gizli mesaj tespiti probleminde yaygın olarak kullanılan destek vektör makineleri (DVM) sınıflandırıcısından daha iyi sonuç verdiği görülmektedir
Recently, increased popularity of using digital data has led to use digital medium for covert communication. On the other hand, steganalysis, detecting the presence of secret messeges, has gained great interests. In this work, we aim to develop an audio steganalysis framework using Gaussian mixture model (GMM), widely used classification technique in speech processing applications and Mel-frequency cepstral coefficients (MFCC) features. Experiments conducted on a dataset consisting of 4380 audio signals suggest that GMM classifiers with MFCC features yield promising and encouraging results on audio steganalysis and GMM shows better performance than widely used support vector machines (SVM) classifier
Recently, increased popularity of using digital data has led to use digital medium for covert communication. On the other hand, steganalysis, detecting the presence of secret messeges, has gained great interests. In this work, we aim to develop an audio steganalysis framework using Gaussian mixture model (GMM), widely used classification technique in speech processing applications and Mel-frequency cepstral coefficients (MFCC) features. Experiments conducted on a dataset consisting of 4380 audio signals suggest that GMM classifiers with MFCC features yield promising and encouraging results on audio steganalysis and GMM shows better performance than widely used support vector machines (SVM) classifier
Açıklama
Anahtar Kelimeler
[No Keywords]
Kaynak
Fırat Üniversitesi Mühendislik Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
29
Sayı
2
