尧图网站建设 
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab语音处理仿真内容点击①Matlab语音处理 进阶版②付费专栏Matlab语音处理初级版⛳️关注微信公众号Matlab王者助手或Matlab海神之光更多资源等你来⛄一、简介1 实验内容1在一段MP3音乐不是歌曲文件中嵌入水印。2设计简单算法完成水印的嵌入、提取验证。3画出仿真图和信号分析曲线等。2 算法原理首先将MP3格式的音频文件转化成WAVE格式的音频文件再对WAVE格式的声音文件嵌入数字水印最后再将已嵌入水印的WAVE声音文件转化为MP3声音文件。使用工具软件将MP3格式的音频文件转换成WAV格式。3 实验步骤1水印嵌入①将MP3格式的音频文件转换成WAV格式②读入WAV格式文件和水印图片将图像转化为二值图进行降维再扩频处理最后嵌入到音频中③对已嵌入水印的信号重构得到嵌入水印后的WAV格式音频文件④将嵌入水印后的WAV文件转换成MP3格式2水印提取①将嵌入水印后的MP3文件转换成WAV格式②读入原始音频和加水印后的wav格式音频文件文件提取水印对水印信号进行解扩频升维构建二维图像处理③重构得到水印图片4 设计框图⛄二、部分源代码% 加入白噪声的音频水印程序clear;kk.wave wavread(‘3.wav’); %读入原始音频文件ykk.wave;[c,l]wavedec(y,3,‘db4’); %三级小波分解ca3appcoef(c,l,‘db4’,3);cd3detcoef(c,l,3);cd2detcoef(c,l,2);cd1detcoef(c,l,1);xca3; %提取低频系数lenlength(y);x1x;smax(abs(x))0.2;ifind(abs(x)s);lxlength(x(i)); %找出大于最大值0.2倍的序列figure;subplot(2,2,1);plot(ca3); %画出低频系数图title(‘低频系数图形’);subplot(2,2,2);plot(cd3);title(‘cd3’);subplot(2,2,3);plot(cd2);axis([0 10e4 -0.5 0.5]);title(‘cd2’);subplot(2,2,4);plot(cd1);title(‘cd1’);randn(‘seed’,10); %产生随机高斯序列markrandn(1,lx);ssmark;rrss0.1; %设置水印嵌入强度x(i)x(i).(12rr’); %嵌入水印c1[x’,cd3’,cd2’,cd1’];s1waverec(c1,l,‘db4’);file1‘已加水印.wav’;ddlength(s1);eereshape(s1,dd/2,2);wavwrite(ee,file1);figure;subplot(3,1,1);plot(y); %画出原信号图axis([0 18e4 -2 2]);title(‘原信号的图’);subplot(3,1,2);plot(ss);title(‘水印图’);subplot(3,1,3);plot(s1); %画出嵌入了水印的信号图title(‘加入了水印的声音信号’)kk.wave wavread(‘已加水印’);yckk.wave;fzsum(y.y); %计算嵌入了水印的信号的信噪比fmsum((y-yc).(y-yc));SNR-10log(fm/fz)yyyrandn(1,dd); %加入白噪声bsqrt(0.01);yyybyyy;s1s1yyy;eereshape(s1,dd/2,2);wavwrite(ee,file1);kk.wave wavread(‘已加水印’); %读入声音文件yrkk.wave;[cr,lr]wavedec(yr,3,‘db4’);car3appcoef(cr,lr,‘db4’,3);cdr3detcoef(cr,lr,3);cdr2detcoef(cr,lr,2);cdr1detcoef(cr,lr,1);xrcar3;clc;clear;close all;% 水印嵌入程序% 读取音频信号3.wav存到变量A中[A,fs,nbits] wavread(‘3.wav’);%绘制原始声音图像subplot(311); plot(A);axis([0 350000 -2 2]);title(‘原始声音信号波形图’);% 用变量L存储音频A的长度L size(A);% 读取图像h.bmp存入变量M做水印信号M imread(‘h.bmp’);subplot(312);imshow(M);title(‘水印图像’);% 将图像h.bmp转化为二值图并存入变量BWBW im2bw(M);% 计算水印矩阵大小[M1,M2] size(BW);% M12为中间变量避免每次都计算M1M2M12 M1M2;% 降维将水印信息得到的一维序列存入序列C中C reshape(BW,1,M12);n M12;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 对水印信号进行扩频处理,效果不是很好% 扩频系数为2n M12*2;M zeros(n,1);% 产生密钥序列Mfor k 1 : nif mod(k,4) 0M(k) 1;elseM(k) 0;end% 水印信号序列分别按位与密钥异或l ceil(k/2);S(k) bitxor(C(l),M(k));end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 嵌入一个水印信息需要的音频数据为NN 10;length n*10;% 将原始音频信号分解为Ae和Ar两部分i 1 : length;j [1];% 取矩阵A的l到length行构建矩阵AeAe A(i,j);% Ae(i,j)i length1 : L;% 取矩阵A的length到L行第一列构建矩阵ArAr A(i,j);⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1]韩纪庆,张磊,郑铁然.语音信号处理第3版[M].清华大学出版社2019.[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社2019.3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合 【语音隐写】基于matlab DWT音频数字水印嵌入提取【含Matlab源码 350期】
欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab语音处理仿真内容点击①Matlab语音处理 进阶版②付费专栏Matlab语音处理初级版⛳️关注微信公众号Matlab王者助手或Matlab海神之光更多资源等你来⛄一、简介1 实验内容1在一段MP3音乐不是歌曲文件中嵌入水印。2设计简单算法完成水印的嵌入、提取验证。3画出仿真图和信号分析曲线等。2 算法原理首先将MP3格式的音频文件转化成WAVE格式的音频文件再对WAVE格式的声音文件嵌入数字水印最后再将已嵌入水印的WAVE声音文件转化为MP3声音文件。使用工具软件将MP3格式的音频文件转换成WAV格式。3 实验步骤1水印嵌入①将MP3格式的音频文件转换成WAV格式②读入WAV格式文件和水印图片将图像转化为二值图进行降维再扩频处理最后嵌入到音频中③对已嵌入水印的信号重构得到嵌入水印后的WAV格式音频文件④将嵌入水印后的WAV文件转换成MP3格式2水印提取①将嵌入水印后的MP3文件转换成WAV格式②读入原始音频和加水印后的wav格式音频文件文件提取水印对水印信号进行解扩频升维构建二维图像处理③重构得到水印图片4 设计框图⛄二、部分源代码% 加入白噪声的音频水印程序clear;kk.wave wavread(‘3.wav’); %读入原始音频文件ykk.wave;[c,l]wavedec(y,3,‘db4’); %三级小波分解ca3appcoef(c,l,‘db4’,3);cd3detcoef(c,l,3);cd2detcoef(c,l,2);cd1detcoef(c,l,1);xca3; %提取低频系数lenlength(y);x1x;smax(abs(x))0.2;ifind(abs(x)s);lxlength(x(i)); %找出大于最大值0.2倍的序列figure;subplot(2,2,1);plot(ca3); %画出低频系数图title(‘低频系数图形’);subplot(2,2,2);plot(cd3);title(‘cd3’);subplot(2,2,3);plot(cd2);axis([0 10e4 -0.5 0.5]);title(‘cd2’);subplot(2,2,4);plot(cd1);title(‘cd1’);randn(‘seed’,10); %产生随机高斯序列markrandn(1,lx);ssmark;rrss0.1; %设置水印嵌入强度x(i)x(i).(12rr’); %嵌入水印c1[x’,cd3’,cd2’,cd1’];s1waverec(c1,l,‘db4’);file1‘已加水印.wav’;ddlength(s1);eereshape(s1,dd/2,2);wavwrite(ee,file1);figure;subplot(3,1,1);plot(y); %画出原信号图axis([0 18e4 -2 2]);title(‘原信号的图’);subplot(3,1,2);plot(ss);title(‘水印图’);subplot(3,1,3);plot(s1); %画出嵌入了水印的信号图title(‘加入了水印的声音信号’)kk.wave wavread(‘已加水印’);yckk.wave;fzsum(y.y); %计算嵌入了水印的信号的信噪比fmsum((y-yc).(y-yc));SNR-10log(fm/fz)yyyrandn(1,dd); %加入白噪声bsqrt(0.01);yyybyyy;s1s1yyy;eereshape(s1,dd/2,2);wavwrite(ee,file1);kk.wave wavread(‘已加水印’); %读入声音文件yrkk.wave;[cr,lr]wavedec(yr,3,‘db4’);car3appcoef(cr,lr,‘db4’,3);cdr3detcoef(cr,lr,3);cdr2detcoef(cr,lr,2);cdr1detcoef(cr,lr,1);xrcar3;clc;clear;close all;% 水印嵌入程序% 读取音频信号3.wav存到变量A中[A,fs,nbits] wavread(‘3.wav’);%绘制原始声音图像subplot(311); plot(A);axis([0 350000 -2 2]);title(‘原始声音信号波形图’);% 用变量L存储音频A的长度L size(A);% 读取图像h.bmp存入变量M做水印信号M imread(‘h.bmp’);subplot(312);imshow(M);title(‘水印图像’);% 将图像h.bmp转化为二值图并存入变量BWBW im2bw(M);% 计算水印矩阵大小[M1,M2] size(BW);% M12为中间变量避免每次都计算M1M2M12 M1M2;% 降维将水印信息得到的一维序列存入序列C中C reshape(BW,1,M12);n M12;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 对水印信号进行扩频处理,效果不是很好% 扩频系数为2n M12*2;M zeros(n,1);% 产生密钥序列Mfor k 1 : nif mod(k,4) 0M(k) 1;elseM(k) 0;end% 水印信号序列分别按位与密钥异或l ceil(k/2);S(k) bitxor(C(l),M(k));end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 嵌入一个水印信息需要的音频数据为NN 10;length n*10;% 将原始音频信号分解为Ae和Ar两部分i 1 : length;j [1];% 取矩阵A的l到length行构建矩阵AeAe A(i,j);% Ae(i,j)i length1 : L;% 取矩阵A的length到L行第一列构建矩阵ArAr A(i,j);⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1]韩纪庆,张磊,郑铁然.语音信号处理第3版[M].清华大学出版社2019.[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社2019.3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合