Indexed by：
Abstract：
针对高维大样本空间中支持向量机( SVM)存在计算复杂度高、分类精度低等问题，在随机子空间方法与主成分分析方法的基础上，提出一种特征加权支持向量机的高维隐写盲检测方法。通过随机子空间对原始高维样本的特征空间进行随机采样，产生多个低维的特征子集，在特征子集中采用主成分分析法进行特征提取，并利用卡方统计计算特征权重，运用特征加权核函数训练各基SVM分类器，并用多数投票法融合各基分类器结果得到最终分类结果。对HUGO隐写算法的实验结果表明，该方法能有效降低SVM计算复杂度，与传统方法相比，具有较高的隐写检测率和更快的分类速度。
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
计算机工程
ISSN： 1000-3428
CN： 31-1289/TP
Year： 2015
Issue： 6
Page： 121-125
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 2
Affiliated Colleges：
