基于量子神经计算的语音隐蔽通信理论与方法研究

提出了将量子神经计算与语音隐蔽通信相结合的理论与方法，在量子神经网络模型框架下研究如何将保密语音（密话）透明、鲁棒地隐藏于公开语音（明话）之中。为了保证系统中密话和明话能够"两路合一"在PSTN中实时有效传输，同时还提出一种新颖的基于分段模型的极低速率（≤0.6kbps）语音编码算法。项目可以克服传统语音保密通信系统易被发现、易遭受攻击和破坏的弱点，并有比BP神经网络算法更高的收敛精度和更快的训练速度。项目的研究成果可以实现通过全球泛在的语音通信网络建立隐蔽通道，将密话顺利传输到接收方，实现安全、可靠和迅捷的语音隐蔽通信，在政治、军事、经济和社会生活等许多注重信息安全的领域具有重要的理论意义和实用价值。

本课题结合量子神经计算与信息隐藏，在量子神经网络模型框架下，研究将密话透明鲁棒地隐藏于明话中隐蔽传输的理论和方法，取得了一定的研究成果。. 首先，课题组分析了语音信息隐藏的模型框架，提出了基于多层激励函数量子神经网络（MAF-QNN）的语音信息隐藏方案。针对训练过程易陷入局部极小的问题，通过优化迭代次序，利用L-M优化神经网络的权值和含动量因子的可变学习速率的梯度下降法训练量子间隔，避免了网络权值与量子间隔两类不同目标函数之间的冲突，结合小波变换实现了音频近零水印方案。其次，克服MAF-QNN只能用于数据分类的问题，重新设计量子间隔训练的目标函数，将其扩展到数据预测领域，并用于信息嵌入和提取。第三，提出了一种基于短时能量和归一化最小均方误差（NLMS）准则的神经网络语音信息隐藏算法。网络训练时采用NLMS准则，每个目标值都得到均等训练，克服了采用最小均方误差（LMS）准则存在大目标数据的优势独占现象，鲁棒性得到较大提高，实现了网络的快速收敛。第四，利用量子遗传算法的全局搜索特性，提出了基于量子遗传神经网络的信息隐藏技术，保证了收敛速度和精度的统一，提高了网络的收敛精度和隐藏容量。最后，为了解决密话数据量大，隐藏效率不高的问题，利用压缩感知理论和低速率语音编码关键技术，提出并实现了渐进层叠600/450/300bps超低速语音编码算法，并根据渐进层叠原则确定各个速率条件下编码参数比特分配方案。. 通过项目的开展，课题组在基于量子神经网络的语音信息隐藏的模型框架、理论分析、信号处理、嵌入提取方法等方面均取得了研究成果。“XX语音隐蔽通信技术”获军队科技进步三等奖，“XX二路合一的语音伪装通信XX”通过专家鉴定。在《Przeglad Elektrotechniczny》、《电子与信息学报》、《声学学报》、《信号处理》等重要期刊和国际国内会议上发表论文48篇，出版著作1部。项目执行期间，组织成员参加了8项重要学术会议；培养了博士研究生1名，硕士研究生6名，其中1名硕士研究生的学位论文被评为大学优秀硕士学位论文和总参谋部信息化部优秀硕士学位论文。. 项目所取得的研究成果在理论上解决了基于量子神经网络的语音隐蔽通信在嵌入提取、训练识别、预测估计等方面的问题，为量子神经网络在语音信息隐藏中的应用提供了理论支撑，为语音隐蔽通信提供了一种新的实现途径。