一种通用隐写分析的深度学习堆栈式自动编码方法与流程

技术特征：

1.一种通用隐写分析的深度学习堆栈式自动编码方法，其特征在于，主要包括以下步骤：

第一步，图像分块处理；输入待检测的图像样本通过酉变化对图像进行分解，运用图像信号的联合概率密度函数拉普拉斯变换对信号方差进行处理，并运用马儿科夫准则获得概率密度函数的统计关系：

$p_{X,{\Σ}_X^2}(x,{\mathrm{\σ}}_X^2)=p_{{\mathrm{\Σ}}_X^2}\left({\mathrm{\σ}}_X^2\right)p_{X|{\mathrm{\Σ}}_X^2}\left(x\right|{\mathrm{\σ}}_X^2)---\left(4\right)$

其中，代表了图像信号的临界方差分布，而条件概率分布表示了系统获得局部系数的一种概率统计行为，对应临界分布条件，全局数据概率统计特性为：

$p_X\left(x\right)={\∫}_0^{\mathrm{\∞}}{p}_{X,{\mathrm{\Σ}}_X^2}(x,{\mathrm{\σ}}_X^2){\mathrm{d\σ}}_X^2={\∫}_0^{\mathrm{\∞}}{p}_{X,{\mathrm{\Σ}}_X^2}\left(x\right|{\mathrm{\σ}}_X^2)p_{{\mathrm{\Σ}}_X^2}\left({\mathrm{\σ}}_X^2\right){\mathrm{d\σ}}_X^2---\left(5\right)$

运用公式(4)对公式(5)进行统计条件分割，并按照不同大小属性的间隔，得到相关性统计模型；

第二步，USoSAE特征数据输入，通过编码函数f将i个不同节点数据分别按照相关性统计模型的分割结果输入到各自的输入层，并通过梯度下降算法求解误差代价函数L(x₁，y′₁)＝argmin_w，p，q[error(x₁，y′₁)]训练出第1级隐含层结构的网络参数θ₁＝{w₁，p₁，q₁}，并将训练好的参数作为该节点第1级隐含层的输出；

第三步，USoSAE特征数据的映射，通过编码h＝f(x)：＝s_f(wx+p)得到特征表达h，再用梯度法求解误差代价函数(y′₁，y₁)＝argmin_w，p，q[error(y′₁，y₁)]，训练该节点第2级隐含层网络的参数θ₂＝{w₂，p₂，q₂}；

第四，USoSAE特征数据输出，通过在每个节点上按照第二步和第三步的两级训练方式，得到隐写图像的特征数据集输出作为多分类器的输入，利用原始数据标签来训练出分类器的网络参数作为最后隐写分析的判断依据；

第五，重复第一步、第二步和第三步的网络参数作为USoSAE技术检测的深度网络系统的参数初始化值，然后用随机梯度下降算法迭代求出上面代价函数最小值附近处的参数值，并作为整个USoSAE网络训练最后的优化参数值。