本文關(guān)鍵詞：基于遷移學(xué)習(xí)的恐怖行為預(yù)測(cè)算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：依托文化建模的發(fā)展,組織的背景知識(shí)信息開(kāi)始用于預(yù)測(cè)恐怖行為。目前對(duì)于基于背景知識(shí)的恐怖行為預(yù)測(cè)大多選擇樣本量較為豐富的組織作為預(yù)測(cè)的對(duì)象。然而隨著恐怖主義全球化,許多新產(chǎn)生的組織日益涌現(xiàn),這類組織由于產(chǎn)生時(shí)間短且背景知識(shí)采集時(shí)間粒度大導(dǎo)致缺乏可用的樣本。對(duì)于這種情況,是難以對(duì)恐怖行為進(jìn)行有效建模的,這便使得已有的方法對(duì)于恐怖行為的預(yù)測(cè)存在預(yù)測(cè)困難或預(yù)測(cè)精度低的問(wèn)題。因此,本文針對(duì)恐怖組織背景數(shù)據(jù)集的特性進(jìn)行了分析和研究。1)提出了基于多源實(shí)例遷移的恐怖行為預(yù)測(cè)方法,解決了由于新組織缺乏可用樣本對(duì)預(yù)測(cè)的影響;2)針對(duì)在多源實(shí)例遷移預(yù)測(cè)中源組織篩選失效導(dǎo)致預(yù)測(cè)效果降低的問(wèn)題,提出了基于背景屬性劃分和聚類源組織篩選算法來(lái)改進(jìn)恐怖行為預(yù)測(cè)效果。論文主要內(nèi)容如下:(1)提出了基于多源實(shí)例遷移的恐怖行為預(yù)測(cè)算法(Multi-Organization Transfer Ada Boost,MO-TrAdaBoost)。該算法利用遷移學(xué)習(xí)方法可有效解決新領(lǐng)域?qū)W習(xí)的特性,通過(guò)在訓(xùn)練中使用源組織樣本輔助目標(biāo)組織訓(xùn)練并迭代地修正誤分樣本權(quán)重,從而克服缺乏樣本導(dǎo)致預(yù)測(cè)困難的問(wèn)題。此外,針對(duì)遷移中多源易退化成單源導(dǎo)致預(yù)測(cè)波動(dòng)的問(wèn)題,引入過(guò)濾機(jī)制和源組織權(quán)重因子優(yōu)化知識(shí)遷移過(guò)程,在無(wú)法確定最優(yōu)源的情況下使多數(shù)源組織都能參與知識(shí)遷移,并降低了遷移預(yù)測(cè)歷史表現(xiàn)差的源組織對(duì)預(yù)測(cè)的影響。在恐怖組織背景數(shù)據(jù)集(Minorities at Risk Organization Behavior,MAROB)上的實(shí)驗(yàn)表明,在缺乏可用樣本的情況下MO-TrAdaBoost算法與CONVEX算法、SVM算法相比,準(zhǔn)確率和查全率分別提升13.2%和7.8%以上,并且MO-TrAdaBoost算法能很好地應(yīng)對(duì)新產(chǎn)生組織的行為預(yù)測(cè)問(wèn)題。(2)提出了一種基于背景屬性劃分和聚類的源組織篩選算法來(lái)改進(jìn)行為預(yù)測(cè)效果。該算法利用信息熵反映變量不確定性的特點(diǎn)對(duì)背景屬性劃分,提取其中的常態(tài)屬性(屬性值不易發(fā)生變化)來(lái)反映組織的固有特性;針對(duì)源組織篩選失效的問(wèn)題,考慮從組織固有特性角度挖掘組織間的關(guān)聯(lián)性,以K-modes算法將與目標(biāo)組織性質(zhì)相近源組織聚為一類,從而在目標(biāo)組織樣本稀少的情況下對(duì)源組織實(shí)現(xiàn)有效篩選。由于僅有篩選后的源組織參與迭代訓(xùn)練,降低了預(yù)測(cè)的時(shí)間開(kāi)銷。此外,在遷移預(yù)測(cè)中僅在非常態(tài)屬性(屬性值不確定,易變化)上進(jìn)行訓(xùn)練,避免了遷移中組織間常態(tài)屬性差異對(duì)預(yù)測(cè)的影響。在MAROB上的實(shí)驗(yàn)表明改進(jìn)后的預(yù)測(cè)算法(Improved Multi-Organization Transfer AdaBoost,IMO-TrAdaBoost)相較MS-TrAdaBoost算法在準(zhǔn)確率和查全率上分別提高1.3%和1.9%,并在時(shí)間開(kāi)銷上降低了70.6%。(3)為驗(yàn)證上述算法實(shí)際應(yīng)用的可行性,采用面向?qū)ο蟮某绦蛟O(shè)計(jì)思想,在Eclipse開(kāi)發(fā)環(huán)境下使用Java開(kāi)發(fā)語(yǔ)言設(shè)計(jì)并實(shí)現(xiàn)了基于遷移學(xué)習(xí)的恐怖行為預(yù)測(cè)原型系統(tǒng)。
【關(guān)鍵詞】：恐怖行為預(yù)測(cè) 背景知識(shí) 遷移學(xué)習(xí) 支持向量機(jī) MAROB
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP181
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 研究背景和意義10-11
• 1.2 研究現(xiàn)狀11-13
• 1.3 主要研究?jī)?nèi)容13-14
• 1.4 論文的組織結(jié)構(gòu)14-15
• 1.5 本章小結(jié)15-16
• 第二章 相關(guān)理論及技術(shù)16-24
• 2.1 遷移學(xué)習(xí)基礎(chǔ)概念16-17
• 2.2 遷移學(xué)習(xí)的分類17-19
• 2.3 基于實(shí)例的遷移學(xué)習(xí)19-21
• 2.4 基于特征的遷移學(xué)習(xí)21-22
• 2.4.1 基于特征選擇的方法21
• 2.4.2 基于特征映射的方法21-22
• 2.5 基于參數(shù)及相關(guān)知識(shí)的遷移學(xué)習(xí)22-23
• 2.6 本章小結(jié)23-24
• 第三章 基于多源實(shí)例遷移的恐怖行為預(yù)測(cè)算法24-35
• 3.1 新組織行為預(yù)測(cè)問(wèn)題分析24-25
• 3.2 遷移過(guò)程優(yōu)化25-27
• 3.2.1 誤差過(guò)濾機(jī)制25-26
• 3.2.2 基于源組織權(quán)重因子的模型集成26-27
• 3.3 基于多組織實(shí)例遷移的恐怖行為預(yù)測(cè)算法27-30
• 3.3.1 實(shí)例遷移自適應(yīng)提升原理27-28
• 3.3.2 MO-TrAdaBoost算法28-29
• 3.3.3 算法分析29-30
• 3.4 實(shí)驗(yàn)分析30-34
• 3.4.1 數(shù)據(jù)集和相關(guān)算法30-31
• 3.4.2 算法評(píng)價(jià)標(biāo)準(zhǔn)31-32
• 3.4.3 實(shí)驗(yàn)結(jié)果及分析32-34
• 3.5 本章小結(jié)34-35
• 第四章 源組織篩選及恐怖行為預(yù)測(cè)35-47
• 4.1 源組織篩選問(wèn)題分析35-36
• 4.2 背景屬性劃分36-38
• 4.3 基于聚類的源組織篩選算法38-41
• 4.3.1 K-modes算法原理38-39
• 4.3.2 距離測(cè)度的選擇39-40
• 4.3.3 算法描述與分析40-41
• 4.4 基于源組織篩選改進(jìn)的恐怖行為預(yù)測(cè)算法41-42
• 4.5 實(shí)驗(yàn)分析42-46
• 4.5.1 數(shù)據(jù)集和相關(guān)算法介紹42-43
• 4.5.2 實(shí)驗(yàn)結(jié)果及分析43-46
• 4.6 本章小結(jié)46-47
• 第五章 原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)47-59
• 5.1 原型系統(tǒng)運(yùn)行環(huán)境及開(kāi)發(fā)平臺(tái)47
• 5.2 系統(tǒng)設(shè)計(jì)原則47-48
• 5.3 系統(tǒng)功能模塊設(shè)計(jì)48-51
• 5.3.1 數(shù)據(jù)預(yù)處理模塊50
• 5.3.2 源組織篩選模塊50
• 5.3.3 遷移訓(xùn)練模塊50
• 5.3.4 行為預(yù)測(cè)模塊50-51
• 5.4 系統(tǒng)核心類的設(shè)計(jì)51-54
• 5.4.1 數(shù)據(jù)預(yù)處理類51-52
• 5.4.2 源組織篩選類52-53
• 5.4.3 實(shí)例遷移類53-54
• 5.5 原型系統(tǒng)的實(shí)現(xiàn)54-58
• 5.6 本章小結(jié)58-59
• 第六章 總結(jié)和展望59-61
• 6.1 總結(jié)59-60
• 6.2 展望60-61
• 致謝61-62
• 參考文獻(xiàn)62-66
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)成果66

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 陳泉湞;基于遷移學(xué)習(xí)的恐怖行為預(yù)測(cè)算法研究[D];江蘇大學(xué);2016年

  本文關(guān)鍵詞：基于遷移學(xué)習(xí)的恐怖行為預(yù)測(cè)算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：334204