[發(fā)明專利]一種基于多標(biāo)簽組合多分類器的恐怖行為預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201611077149.5
• 申請日: 2016-11-30
• 公開（公告）號: CN106776884B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計）人: 夏歡歡;薛安榮;曹靜
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多標(biāo)簽組合多分類器的恐怖行為預(yù)測方法，其特征在于，包括以下步驟：

步驟1，原始數(shù)據(jù)的預(yù)處理：原始數(shù)據(jù)由恐怖組織的基本信息、背景知識和行為知識構(gòu)成，提取背景知識和行為知識，構(gòu)成背景知識與恐怖行為的多標(biāo)簽數(shù)據(jù)集；

步驟2，訓(xùn)練多標(biāo)簽決策樹和隨機(jī)游走模型：基于步驟1獲得的背景知識與恐怖行為的多標(biāo)簽數(shù)據(jù)集，定義背景屬性關(guān)聯(lián)重要度，并根據(jù)背景屬性關(guān)聯(lián)重要度訓(xùn)練多標(biāo)簽決策樹，利用標(biāo)簽之間的關(guān)聯(lián)訓(xùn)練隨機(jī)游走模型；包括以下步驟：

步驟2.1，采用自頂向下的貪婪搜索方法訓(xùn)練多標(biāo)簽決策樹，具體步驟如下：

步驟2.1.1，選擇背景屬性關(guān)聯(lián)重要度作為屬性選擇度量：選擇當(dāng)前屬性關(guān)聯(lián)重要度最大的屬性作為分類屬性，反復(fù)迭代形成最終的多標(biāo)簽決策樹模型；

步驟2.1.2，計算訓(xùn)練集中每個標(biāo)簽的概率作為標(biāo)簽預(yù)測的權(quán)重增加因子；

步驟2.2，訓(xùn)練隨機(jī)游走模型，具體步驟如下：

步驟2.2.1，將背景數(shù)據(jù)集映射為多標(biāo)簽隨機(jī)游走圖G：將每個訓(xùn)練樣本映射為游走圖中的一個點X_i，如果兩個訓(xùn)練數(shù)據(jù)X_i、X_j具有相同的標(biāo)簽，則將這兩個訓(xùn)練數(shù)據(jù)對應(yīng)的頂點X_i、X_j相連，形成隨機(jī)游走圖G＝(V,E)；其中V＝{X_i|X_i∈U,1≤i≤t}，E＝{(X_i,X_j)|X_i,X_j∈V,Y_i∩Y_j≠Φ,i≠j}，Y_i，Y_j是X_i，X_j的真實標(biāo)簽集，Φ表示空集；

步驟2.2.2，計算隨機(jī)游走圖G上的權(quán)重矩陣并歸一化處理轉(zhuǎn)化成鄰接矩陣；其中，權(quán)重矩陣中邊的權(quán)值其中，C_a表示背景數(shù)據(jù)中的背景屬性，X_i,a表示第i個點的第a個屬性，X_j,a表示第j個點的第a個屬性；

步驟3，測試多標(biāo)簽決策樹和隨機(jī)游走模型：使用步驟2獲得的多標(biāo)簽決策樹和隨機(jī)游走模型預(yù)測在每種訓(xùn)練模型下待分類標(biāo)簽樣本，獲得所有恐怖行為的概率；

步驟4，組合基分類器預(yù)測模型：通過步驟3在多標(biāo)簽決策樹分類器中獲得每種恐怖行為的權(quán)值與預(yù)測的隨機(jī)游走分類器對應(yīng)的標(biāo)簽相乘，生成決策函數(shù)，根據(jù)決策函數(shù)得到最終恐怖行為的預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于多標(biāo)簽組合多分類器的恐怖行為預(yù)測方法，其特征在于，所述步驟4中的具體實現(xiàn)方法如下：

將多標(biāo)簽決策樹中的權(quán)重因子w^A中每個權(quán)值與隨機(jī)游走模型對應(yīng)的標(biāo)簽概率p^A加權(quán)組合p＝w^Ap^A，并將該概率歸一化處理獲得最終的預(yù)測恐怖行為標(biāo)簽的概率；設(shè)置概率選擇閾值k，概率大于該閾值的恐怖行為作為該測試實例的預(yù)測恐怖行為集。

3.根據(jù)權(quán)利要求2所述的一種基于多標(biāo)簽組合多分類器的恐怖行為預(yù)測方法，其特征在于，所述閾值k的選取方法為：根據(jù)兩個分類器預(yù)測結(jié)果的取值范圍，選擇每個分類器預(yù)測概率大于0.5的組合函數(shù)的最小值，并對該值進(jìn)行歸一化處理獲得閾值k。