| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 代价敏感分类及特征选择的研究 | 第11-13页 |
| 1.2.2 隐写分析的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关理论背景介绍 | 第16-27页 |
| 2.1 代价敏感分类的定义 | 第16-17页 |
| 2.1.1 代价矩阵 | 第16-17页 |
| 2.2 常用分类器简介 | 第17-21页 |
| 2.2.1 多层感知器 | 第17-18页 |
| 2.2.2 径向基函数神经网络 | 第18-19页 |
| 2.2.3 支持向量机 | 第19-20页 |
| 2.2.4 决策树 | 第20-21页 |
| 2.3 局部泛化误差模型 | 第21-24页 |
| 2.4 隐写方法与隐写分析 | 第24-26页 |
| 2.4.1 JPEG 图片的压缩量化表 | 第24页 |
| 2.4.2 隐写信息的嵌入率 | 第24页 |
| 2.4.3 Model‐Based 图像隐写算法 | 第24-25页 |
| 2.4.4 nsF5 图像隐写算法 | 第25页 |
| 2.4.5 基于块内与块间相关性的隐写分析特征提取算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于代价敏感局部泛化误差的特征选择 | 第27-44页 |
| 3.1 代价敏感的局部泛化误差模型 | 第27-31页 |
| 3.1.1 训练误差代价 | 第28-29页 |
| 3.1.2 随机敏感度 | 第29-30页 |
| 3.1.3 拟蒙特卡罗方法 | 第30-31页 |
| 3.1.4 代价敏感的局部泛化误差 | 第31页 |
| 3.2 基于径向基函数神经网络代价敏感的局部泛化误差模型 | 第31-35页 |
| 3.2.1 RBFNN 的两阶段训练 | 第32-33页 |
| 3.2.2 可调整的代价矩阵 | 第33页 |
| 3.2.3 基于代价敏感局部泛化误差模型的 RBFNN | 第33-35页 |
| 3.3 基于代价敏感的局部泛化误差的特征选择 | 第35-42页 |
| 3.3.1 Leave-One-Out 特征选择与代价敏感的局部泛化误差 | 第37-39页 |
| 3.3.2 基于遗传算法特征选择与代价敏感的局部泛化误差 | 第39-42页 |
| 3.4 基于代价敏感的局部泛化误差的特征选择分类流程 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 UCI 数据库和图像隐写的实验与结果分析 | 第44-57页 |
| 4.1 实验数据及实验环境 | 第44-45页 |
| 4.2 实验对比方法简介 | 第45-46页 |
| 4.2.1 Hard-Ensemble 和 Soft-Ensemble | 第45-46页 |
| 4.2.2 CASH | 第46页 |
| 4.3 UCI 标准数据集实验 | 第46-53页 |
| 4.3.1 实验参数配置 | 第46-47页 |
| 4.3.2 结果评估标准 | 第47页 |
| 4.3.3 实验结果及分析 | 第47-53页 |
| 4.4 隐写分析的实验 | 第53-56页 |
| 4.4.1 实验参数配置 | 第53-54页 |
| 4.4.2 实验结果及分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65页 |
