基于Hopfield神经网络的文本认证与同义词替换的可恢复水印算法

Hopfield 网络拓扑结构如图 1 所示，其联想记忆 功能原理如下．
图 1 Hopfield 神经网络拓扑结构图 Fig． 1 Topological structure of Hopfield neural network
向量进行联想恢复时，结果并不十分理想，会受到一
些局限，主要有网络的存储容量和容错性能． 下面给
收稿日期： 2013 － 06 － 13； 修回日期： 2014 － 01 － 16 作者简介 王静（ 通讯作者） ，女，1989 年生，硕士研究生，主要研究方向为通信网络与信息安全技术． E-mail： wang_jing001@ 163． com． 唐向宏，男，1962 年生，博士，教授，主要研究方向为信号与信息处理、通信与信息系统、图像处理与传输、通信网络与 信息安全技术． 林新建，男，1988 年生，硕士研究生，主要研究方向为通信网络与信息安全技术．
联想记忆是 Hopfield 神经网络的重要特性，它 利用神经网络的良好容错性，使不完整、污损的输入 样本 恢 复 成 完 整、未 受 污 染 的 样 本 原 型［6］． 因 此 Hopfield 神经网络的联想记忆功能被应用于电机传 动系统［7］、图 像 水 印 技 术［8 － 9］． 虽 然 和 煦 等［10］ 将 Hopfield 神经网络应用于文本图像水印，但该方法 首先将文本转换成二值图像，然后用 Hopfield 网络 处理提取 得 到 的 二 值 水 印 图 像，其 应 用 实 质 还 是 Hopfield 网络对图像水印的处理． 该算法在文本领 域不具有普遍性，而将 Hopfield 网络引入纯文本水 印中较少见．
ABSTＲACT
Aiming at problems of tamper detection and recovery，a recoverable watermarking algorithm for text authentication and synonym replacement based on synonym replacement technology and associative memory function of Hopfield neural network is proposed． The text is divided into replaceable synonyms and non-replaceable words． The feature information of replaceable synonyms is extracted according to the position in their thesaurus and the feature information of non-replaceable words is extracted according to the structure and stroke of Chinese characters in the text． Then，the watermark is embedded by synonym replacement． The information of watermark and the feature information of non-replaceable words are input into the Hopfield neural network and they are trained to realize tamper detection and recovery function of replaceable synonyms． The simulation results show that the proposed algorithm has good robustness， tamper detection performance and recoverability，and by this algorithm，tamper detection and the location
出这两种性能的具体指标．
1） 网络的存储容量． 对样本向量 xk = ［x1k ，x2k ，…，xkn ］，
若要使其成为训练的 Hopfield 网络的稳定点，网络
的存储容量 p 和神经元数目 n 满足
p
＜
1
2n（ 1 － α） + n（ 1 － 2α）
，
α
=
1 n
min｛
dH（
xi ，xj ）
i = 1，2，…，p； j = 1，2，…，p｝ ，
Ke y Words Hopfield Network，Synonym，Tamper Detection，Ｒecovery
1引言
文本认证水印是在不影响数字文本原始信息质 量的前提下，将与文本内容提要相关或不相关的标 志信息作为水印直接嵌入到数字文本内容中，当数 字文本内容需认证时，根据提取的水印信息判断其 是否真实完整［1］． 文本认证水印主要用来实现鉴别 数字文本的完整性和定位篡改，即找出篡改发生的 位置区域． 肖海青等［2］提出一种基于同义词替换的 文本认证水印算法，该算法利用水印嵌入点之间的 字符特征信息生成水印，但并未提出如何提取特征 信息，且根据特征信息的奇偶性得到的水印信息虽 较短但对篡改不具备较高的灵敏度． 周新民等［3］利 用汉字的笔画数和结构类型提出一种用于文本认证 的零水印方案，该算法虽具有较高的篡改检测灵敏 度，但对特征信息的提取是基于整篇文本的每个字 符，篡改定位范围太大且水印容量要求较高．
汉字部件是指由笔画组成的具有组配汉字功能 的构字单位，分为基础部件、成字部件、非成字部件 三类． 基础部件是最小、按照规则不能再拆分的部 件； 成字部件是可独立成字的部件； 非成字部件是不 能独立成字的部件．
对汉字的部件拆分原则如下． 1） 字形符合理据 的，按理据拆分，理据定义为根据字源或参考字源， 从汉字的部件组合中分析得出的造字意图，如“旦” 的理据是像太阳（ 日） 一样从地平线（ 一） 升起． 2） 无法分析理据或字形与 理 据 矛 盾 的 依 形 拆 分，如 “朋”→“月”、“月”． 3） 笔画交叉重叠的不可拆分， 如“东”不可拆分为“七”、“小”． 4） 拆分后的各部件 均为非成字部件或均不再构成其他汉字的拆分，如 “非”不可拆分为“ ”和“ ”． 5） 因构字造成基础部 件分离的，拆分后仍将相 离 部 件 合 一 保 留 部 件 原 形，如“裹”拆分为“衣”、“果”而不是“亠”、“果”、
关键词 Hopfield 网络，同义词，篡改检测，恢复
中图法分类号 TP 391
DOI 10． 16451 / j． cnki． issn1003-6059． 201502006
Ｒecoverable Watermarking Algorithm for Text Authentication and Synonym Ｒeplacement Based on Hopfield Neural Network
2期
王 静 等： 基于 Hopfield 神经网络的文本认证与同义词替换的可恢复水印算法
141
“ ”． 2． 2 Hopfield 联想记忆原理
Hopfield 网络是 Hopfield 于 1982 年提出，它是 一种循环神 经 网 络，从 输 出 到 输 入 由 反 馈 连 接［6］． Hopfield 网络用作联想记忆时，首先通过一个学习 训练过程确定网络中的权系数，使所记忆的信息是 网络的能量最小状态． 当权系数确定后，只要向网络 给出输入向量，即使这个向量可能是局部数据（ 不 完全或部分不正确的数据） ，网络仍能产生所记忆 信息的完整输出．
摘 要 针对水印文本的篡改检测和恢复问题，利用 Hopfield 网络的联想记忆功能，提出一种 Hopfield 神经网络与 同义词替换技术相结合的文本认证与同义词替换的可恢复水印算法． 算法首先将文本分为可替换同义词和非替换 词语，利用可替换同义词在其同义词库中的位置及汉字笔画和结构特征，分别提取文本可替换同义词的特征信息 和非替换词语的特征信息． 然后通过同义词替换实现水印嵌入，并将水印信息和非替换词语的特征信息输入 Hopfield 神经网络进行训练，实现篡改检测与可替换同义词的恢复功能． 实验仿真表明，该算法具有较好的鲁棒性、 篡改检测性和恢复能力，能篡改检测和定位可替换同义词、非替换词语，实现认证功能，且能恢复被替换的同义词， 实现恢复功能．
为此本文提出基于 Hopfield 神经网络的文本认 证与 同 义 词 替 换 的 可 恢 复 水 印 算 法． 算 法 利 用
Hopfield 神经网络的联想记忆特点，将该网络应用 于文本水印，在自然语言领域进一步研究文本水印． 本文算法以可替换同义词为水印嵌入点和非替换词 语的篡改定位区域分界点，根据可替换同义词在其 同义词库中的编码信息得到可替换同义词的特征信 息，根据非替换词语的笔画总数和部件总数得到非 替换词语的特征序列． 利用可替换同义词的特征信 息，以同义词替换的方式嵌入水印，同时将水印信息 和非替换词语的特征序列输入 Hopfield 网络进行训 练． 在水印提取和文本认证时，利用水印文本的特征 信息及 Hopfield 网络，能对非替换词语和可替换同 义词进行篡改检测，恢复出原始文本中被替换的可 替换同义词．
第 28 卷 第 2 期 2015 年 2 月
模式识别与人工智能 PＲ ＆ AI
Vol． 28 No． 2 Feb． 2015
基于 Hopfield 神经网络的文本认证与同义词替换的 可恢复水印算法
王 静1
唐向宏1，2
林新建1
1 （ 杭州电子科技大学 通信工程学院 杭州 310018） 2 （ 杭州电子科技大学 信息工程学院 杭州 310018）
0
＜
α≤
1 2
．
（ 1）
2） 网络的容错性． 对待识别向量
y' = ［y'1 ，y'2 ，…，y'n］， 若要使其吸引到