基于行为变化的恐怖预测算法研究

发布时间：2017-03-31 05:22

  本文关键词：基于行为变化的恐怖预测算法研究，由笔耕文化传播整理发布。

【摘要】：现有的恐怖预测模型主要是根据组织以往背景与行为之间的联系来预测其未来的表现,并未考虑组织背景属性变化引起行为属性的改变。以文化建模(Culture Modeling,CM)为基础的恐怖行为预测算法就是根据组织背景与行为之间的关系,构建组织的行为预测模型。而组织一般具有反侦查能力,其恐怖活动发生的时间、地点及行为强度等属性会因此改变。现有模型大多数没有考虑组织背景的改变及由此引起的行为变化。只有变化分析预测引擎(Change Analysis Predictive Engine,CAPE)模型考虑了组织行为持续改变并动态变化的情况,其基本思想是组织背景的改变可能引起其行为的变化。该模型通过建立变化表,分析组织改变行为的条件,构建背景与行为之间的变化规则。然而,当背景变化不满足变化规则中的变化条件时,CAPE无法预测行为变化。此时,该模型结合Sit CAST和CONVEX方法来预测组织行为。而Sit CAST+CONVEX算法的时间复杂度为指数级,且预测准确率较低。另外,恐怖数据集中存在的无关、弱相关及冗余属性,也严重影响了算法对恐怖行为的预测效果。因此,为了能够利用任意背景变化有效预测组织行为,统一预测过程,针对恐怖数据集高维小样本特点,提出一种基于行为变化和贝叶斯方法的恐怖预测算法。为了有效地提取与行为变化相关的背景特征,利用背景与行为之间的变化关联性改进了基于谱聚类的背景子空间提取算法(Spectral Cluster Based on Attributes’Association,SCBAA)。论文的主要内容如下:(1)为了能根据任意背景变化预测恐怖行为,针对恐怖数据高维小样本的特点,提出了一种在改进的变化表上,利用贝叶斯方法预测组织行为的算法。利用贝叶斯方法可快速有效解决高维小样本分类问题的特性,在改进的变化表上实现对组织行为的预测,从而提高了预测精度和计算效率。此外,考虑到背景的变化会在时间序列上对组织行为产生持续的影响,因此在不同时间滞差下,利用加权的贝叶斯方法预测组织行为。对MAROB数据集上多个组织数据的实验结果也表明,所提算法的准确率比CAPE算法提高10%~15%,且运行时间比CAPE算法低了两个数量级。(2)利用背景特征与行为之间的变化关联性,在SCBAA算法的基础上,提出了基于行为变化和谱聚类的特征选择(Feature Selection based on BehaviorChange,FSBC)算法。该算法只提取与行为变化相关的背景特征,从而减少与行为变化无关的背景的影响,进而提高了预测行为变化的能力。以恐怖数据集MAROB中的9种恐怖行为为例的实验结果表明,改进的基于行为变化和谱聚类的特征选择算法在多步加权贝叶斯模型上的预测效果要优于几种典型的特征选择算法。(3)基于模块化的理念,设计并实现了基于行为变化和谱聚类的特征提取和多步加权贝叶斯模型预测恐怖行为的原型系统。
【关键词】：恐怖预测 行为变化 贝叶斯方法 多步加权贝叶斯模型 特征选择
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：D815.5;TP18
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 研究背景和意义10-11
• 1.2 研究现状11-13
• 1.3 主要研究内容13-14
• 1.4 论文的组织结构14-15
• 1.5 本章小结15-16
• 第二章 相关理论与技术16-27
• 2.1 特征选择16-22
• 2.1.1 特征提取和特征选择的区别16
• 2.1.2 特征选择的基本框架16-17
• 2.1.3 搜索策略17-18
• 2.1.4 评价准则18-22
• 2.2 贝叶斯分类方法22-23
• 2.3 谱聚类23-25
• 2.4 MAROB数据集25-26
• 2.4.1 MAROB数据集的结构25-26
• 2.4.2 MAROB数据集的特点26
• 2.5 本章小结26-27
• 第三章 基于行为变化和贝叶斯方法的恐怖预测算法27-38
• 3.1 已有算法的局限性27-28
• 3.2 变化表28-31
• 3.2.1 原始的变化表28-29
• 3.2.2 改进的变化表29-30
• 3.2.3 改进的h-变化表30-31
• 3.3 基于变化表和贝叶斯方法的恐怖预测算法31-34
• 3.3.1 单变化表预测方法31-33
• 3.3.2 多步加权贝叶斯预测方法33-34
• 3.4 实验与分析34-37
• 3.5 本章小结37-38
• 第四章 基于行为变化和谱聚类的背景特征选择38-49
• 4.1 背景数据对预测算法的影响分析38-39
• 4.2 基于谱聚类的背景子空间提取算法39-41
• 4.2.1 亲和矩阵的构建与计算39-40
• 4.2.2 算法的分析40-41
• 4.3 针对行为变化的背景特征选择算法41-44
• 4.4 实验与分析44-48
• 4.4.1 相关性分析45
• 4.4.2 实验结果45-47
• 4.4.3 基于MWB的实验结果与分析47-48
• 4.5 本章小结48-49
• 第五章 原型系统的设计与实现49-61
• 5.1 原型系统运行环境及开发平台49
• 5.2 系统设计原则49-50
• 5.3 系统框架及模块设计50-52
• 5.3.1 数据预处理模块51
• 5.3.2 特征选择模块51-52
• 5.3.3 行为预测模块52
• 5.4 核心功能类的设计52-56
• 5.4.1 数据预处理模块类52-53
• 5.4.2 特征选择模块类53-55
• 5.4.3 行为预测模块类55-56
• 5.5 原型系统的实现56-60
• 5.6 本章小结60-61
• 第六章 总结和展望61-63
• 6.1 总结61-62
• 6.2 展望62-63
• 致谢63-64
• 参考文献64-67
• 攻读硕士学位期间发表的学术论文67

【相似文献】

中国期刊全文数据库 前2条

1 赵晓芬;;评贝叶斯方法对概率逻辑的继承和发展[J];安徽警官职业学院学报;2011年04期

2 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 David Z.D'Argenio;;贝叶斯方法在实验室研究向临床的转化以及辨识隐含亚群体中的应用(英文)[A];中国药理学会临床药理学专业委员会会议暨第十次全国临床药理学学术会议论文集[C];2007年

2 姜峰;高文;姚鸿勋;;贝叶斯网络的推理和学习[A];全国网络与信息安全技术研讨会'2005论文集（下册）[C];2005年

3 丁东洋;刘希阳;;风险分析中的稳健贝叶斯方法[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

4 周桃庚;沙定国;;贝叶斯可靠性序贯验证试验方法[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年

5 陈晓怀;程真英;刘春山;;动态测量误差的贝叶斯建模预报[A];第二届全国信息获取与处理学术会议论文集[C];2004年

6 杜鹏英;罗小平;何志明;;贝叶斯网络的发展及理论应用[A];第三届全国虚拟仪器大会论文集[C];2008年

7 杨丽;武海滨;李康;;无金标准诊断试验评价的贝叶斯方法及应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

8 宁鹏达;;贝叶斯方法在风险投资项目决策中的应用[A];第四届中国科学学与科技政策研究会学术年会论文集（Ⅰ）[C];2008年

9 朱永生;;贝叶斯方法确定泊松变量的置信上限[A];中国物理学会高能物理分会第七届学术年会实验分会场论文集[C];2006年

10 王增忠;柳玉杰;施建刚;;建筑工程项目全寿命安全管理决策的贝叶斯方法[A];中国优选法统筹法与经济数学研究会第七届全国会员代表大会暨第七届中国管理科学学术年会论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阚英男;基于网格近似法的数控机床贝叶斯可靠性评估研究[D];吉林大学;2015年

2 翟胜;基于贝叶斯网络的复杂系统可靠分析方法研究与应用[D];天津工业大学;2016年

3 刘瑞;基于贝叶斯网络的洪水灾害风险评估与建模研究[D];华东师范大学;2016年

4 贾海洋;贝叶斯网学习若干问题研究[D];吉林大学;2008年

5 黄友平;贝叶斯网络研究[D];中国科学院研究生院（计算技术研究所）;2005年

6 朱允刚;贝叶斯网学习中若干问题研究及其在信息融合中的应用[D];吉林大学;2012年

7 董立岩;贝叶斯网络应用基础研究[D];吉林大学;2007年

8 李小琳;面向智能数据处理的贝叶斯网络研究与应用[D];吉林大学;2005年

9 江敏;贝叶斯优化算法的若干问题研究及应用[D];上海大学;2012年

10 胡笑旋;贝叶斯网建模技术及其在决策中的应用[D];合肥工业大学;2006年

中国硕士学位论文全文数据库 前10条

1 张路路;贝叶斯网络系统可靠性分析及故障诊断方法研究[D];山东建筑大学;2015年

2 徐冰;基于贝叶斯网络的传染病时空预警模型研究[D];长安大学;2015年

3 李艳强;基于不确定理论的酸洗线和镀锌线的视情维修策略研究[D];河北工程大学;2015年

4 王芸;贝叶斯AGARCH模型在我国商业银行利率风险度量中的应用[D];南京财经大学;2015年

5 侯欢欢;基于贝叶斯网络城市埋地燃气管线风险评价研究[D];首都经济贸易大学;2015年

6 王宇;贝叶斯参数更新在可靠性分析中的应用[D];南京航空航天大学;2014年

7 李福伟;贝叶斯压缩感知理论与技术[D];电子科技大学;2015年

8 李景囡;基于依赖分析的贝叶斯网络结构学习算法研究[D];西安电子科技大学;2014年

9 杨祥睿;基于贝叶斯网络的船撞桥风险评估研究[D];重庆交通大学;2015年

10 汤玉利;贝叶斯反问题的MAP估计及其一致性[D];上海交通大学;2015年

  本文关键词：基于行为变化的恐怖预测算法研究，由笔耕文化传播整理发布。

，

本文编号：279009