專利名稱：基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)數(shù)據(jù)挖掘與應(yīng)用領(lǐng)域，具體而言涉及一種基于恐怖組織的背景子空間預(yù)測(cè)恐怖行為的預(yù)測(cè)算法。
背景技術(shù)：
2001年9月11日，美國紐約、華盛頓遭受恐怖分子襲擊，造成3100多人死亡。此次事件被認(rèn)為是自珍珠港事件后美國遭受到的最嚴(yán)重的恐怖襲擊事件，標(biāo)志著恐怖主義組織已經(jīng)成為對(duì)國際安全造成重大影響的一支非國家力量。如何利用現(xiàn)有的信息預(yù)測(cè)將會(huì)發(fā)生的恐怖行為，成為一個(gè)重要的研究方向?？植佬袨轭A(yù)測(cè)是預(yù)測(cè)知識(shí)挖掘的典型應(yīng)用，它利用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的相關(guān)技術(shù)，對(duì)過去、現(xiàn)在恐怖組織策劃實(shí)施的恐怖行為的情況進(jìn)行科學(xué)的統(tǒng)計(jì)分析，然后預(yù)測(cè)其發(fā)展趨勢(shì)?？植李A(yù)測(cè)不是證實(shí)過去，也不是說明現(xiàn)實(shí)，而是從顯性的恐怖組織與恐怖襲擊事件的數(shù)據(jù)入手，尋找出某些隱性的有用信息。從恐怖襲擊事件數(shù)據(jù)中可能隱藏的特征、行為或者其他的因素來提煉出相關(guān)的模式，以此來提供線索，預(yù)測(cè)恐怖主義組織的發(fā)展趨勢(shì)。其目的在于為采取有效的預(yù)防措施提供決策支持。早期對(duì)恐怖預(yù)測(cè)的研究主要是針對(duì)當(dāng)局的統(tǒng)計(jì)數(shù)據(jù)對(duì)恐怖行為進(jìn)行長(zhǎng)期預(yù)測(cè)，但由于當(dāng)時(shí)的數(shù)據(jù)信息只考慮到恐怖事件發(fā)生的時(shí)間、地點(diǎn)、襲擊目標(biāo)等因素，而沒有考慮導(dǎo)致恐怖事件的社會(huì)學(xué)等深層次 的因素，因此單純的從數(shù)據(jù)驅(qū)動(dòng)并不能有效對(duì)其進(jìn)行預(yù)測(cè)。而且傳統(tǒng)的分析方法過于依賴社會(huì)學(xué)專家的分析，對(duì)于大數(shù)據(jù)量而言不具備可操作性。目前，對(duì)恐怖預(yù)測(cè)的研究開始以跨學(xué)科(計(jì)算機(jī)數(shù)據(jù)挖掘技術(shù)與社會(huì)學(xué)，犯罪學(xué)等)為基礎(chǔ)，統(tǒng)計(jì)的信息更為詳細(xì)，不僅包括傳統(tǒng)恐怖活動(dòng)發(fā)生的信息，而且還從經(jīng)濟(jì)矛盾、政治矛盾(如民族矛盾、宗教價(jià)值觀差異以及種族政策的失誤)、文化矛盾等方面搜集信息和數(shù)據(jù)挖掘，以便通過對(duì)這些數(shù)據(jù)的分析為當(dāng)局提供更有效的預(yù)測(cè)分析。因此，通過分析恐怖組織的背景因素對(duì)其行為的影響成為研究的熱點(diǎn)。在根據(jù)背景因素對(duì)恐怖行為進(jìn)行預(yù)測(cè)時(shí)，由于實(shí)際中，各種恐怖行為所依賴的背景知識(shí)是不同的，也即相同的背景知識(shí)對(duì)不同的恐怖行為而言，其影響程度是不同的。因此將大量的背景數(shù)據(jù)中的行為屬性看作一個(gè)整體，利用背景向量之間的相似度進(jìn)行預(yù)測(cè)的方法過于復(fù)雜，數(shù)據(jù)處理量大，因此如何在預(yù)測(cè)過程中對(duì)行為向量中的各種恐怖行為進(jìn)行單獨(dú)處理，然后對(duì)各種恐怖行為的預(yù)測(cè)結(jié)果進(jìn)行匯總，最后給出預(yù)測(cè)結(jié)果，是當(dāng)前恐怖行為預(yù)測(cè)需要解決的一個(gè)重要問題。發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明旨在提出一種基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，根據(jù)恐怖組織背景知識(shí)子空間進(jìn)行合理計(jì)算和預(yù)測(cè)，可避免預(yù)測(cè)過程中的波動(dòng)性，同時(shí)可提高預(yù)測(cè)算法的預(yù)測(cè)精度，避免背景數(shù)據(jù)的高維、小樣本的特性對(duì)預(yù)測(cè)算法造成的影響。本發(fā)明的上述目的通過獨(dú)立權(quán)利要求的技術(shù)特征實(shí)現(xiàn)，從屬權(quán)利要求以另選或有利的方式發(fā)展獨(dú)立權(quán)利要求的技術(shù)特征。為達(dá)成上述目的，本發(fā)明提出一種基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，包括以下步驟
步驟1:背景數(shù)據(jù)的預(yù)處理
背景數(shù)據(jù)由背景屬性和行為屬性構(gòu)成，標(biāo)記為向量對(duì)(CS(g)，AS(g))，其中CS (S) = ^1, C2,..., Cm)表示背景數(shù)據(jù)中的背景屬性，AS(g)= (ApA2，…，An)表示背景數(shù)據(jù)中涉及的行為屬性，為了得到不同行為屬性的背景知識(shí)子空間，對(duì)背景數(shù)據(jù)進(jìn)行預(yù)處理，形成(CS (g)，Ai)的N個(gè)數(shù)據(jù)子集；
步驟2 :提取特定行為屬性的背景知識(shí)子空間
對(duì)于行為屬性Ai的數(shù)據(jù)子集的原始數(shù)據(jù)記錄Rn，Ri2，…，Rim，提取該行為屬性Ai的背景知識(shí)子空間；
步驟3 :利用條件概率理論和貝葉斯理論，在步驟(2)提取的背景知識(shí)子空間中進(jìn)行迭代計(jì)算，得到所有行為屬性Ai在N個(gè)數(shù)據(jù)子集下的發(fā)生概率，并取其中概率最大的作為預(yù)測(cè)結(jié)果。依據(jù)本發(fā)明的一個(gè)實(shí)施例，在步驟2)中，提取行為屬性Ai的背景知識(shí)子空間包括以下步驟
對(duì)原始數(shù)據(jù)記錄Rij與Rik之間的關(guān)系進(jìn)行散化處理，散化為CS (g)中的背景屬性Cj與行為屬性Ai之間的關(guān)系，得到背景屬性&與行為屬性Ai之間的相似度P」；；
根據(jù)散化處理得到的相似度Pj構(gòu)造背景屬性Cj與行為屬性Ai之間的距離度Clj,距離度 dj=l/Pj ;
根據(jù)背景屬性&與行為屬性Ai之間的距離度4構(gòu)造背景屬性q與Ck之間的相似度aJk,相似度函數(shù)為 ajk=exp {[- ((Ij-(Ik)2] /2}。根據(jù)相似度函數(shù)a#構(gòu)造背景屬性之間的親和矩陣A ；
求解親和矩陣A得到親和矩陣A的規(guī)范化拉普拉斯矩陣L ；
對(duì)規(guī)范化拉普拉斯矩陣L進(jìn)行特征值分解，然后利用譜分析原理根據(jù)特征值分解的相關(guān)信息對(duì)背景屬性進(jìn)行子圖劃分，從而把背景屬性劃分為兩個(gè)子 提取與行為屬性Ai之間關(guān)聯(lián)度最大的子圖中的背景屬性作為提取的背景知識(shí)子空
間；
重復(fù)上述步驟，以提取N個(gè)數(shù)據(jù)子集中對(duì)應(yīng)的行為屬性的背景知識(shí)子空間。依據(jù)本發(fā)明的一個(gè)實(shí)施例，在步驟2)中，數(shù)據(jù)散化處理包括以下步驟
對(duì)cs(g)中的每一背景屬性設(shè)置一個(gè)計(jì)數(shù)變量CCp初始值為O ;
對(duì)數(shù)據(jù)子集進(jìn)行掃描，對(duì)背景屬性G的取值與數(shù)據(jù)子集對(duì)應(yīng)的行為屬性Ai的取值做比
較；
若&與Ai同時(shí)發(fā)生或同時(shí)不發(fā)生， 則計(jì)算變量Ch作自增I運(yùn)算，否則計(jì)算變量CCj的值保持不變；
掃描N個(gè)數(shù)據(jù)子集結(jié)束后，利用相似度公式Pf cc/m計(jì)算CS (g)中每一背景屬性Cj與行為屬性Ai之間的相似度，從而把原始數(shù)據(jù)Ru與Rik之間的關(guān)系，散化為CS(g)中的背景屬性與行為Ai之間的關(guān)系。由以上本發(fā)明的技術(shù)方案可知，本發(fā)明中背景子空間的提取是根據(jù)背景屬性與行為屬性之間的關(guān)聯(lián)度構(gòu)造背景屬性之間的關(guān)聯(lián)度，進(jìn)而構(gòu)造背景屬性之間的親和矩陣，然后利用譜聚類的方法進(jìn)行子空間提取，因此具有兩個(gè)方面的有益效果
(I)在預(yù)測(cè)算法方面
背景知識(shí)相似度在全局背景屬性空間中預(yù)測(cè)恐怖行為時(shí)，背景知識(shí)數(shù)據(jù)的特性會(huì)導(dǎo)致預(yù)測(cè)精度下降。因此，本發(fā)明首先根據(jù)背景數(shù)據(jù)集的特性提取與恐怖行為關(guān)聯(lián)度較大的背景屬性作為背景子空間，然后在背景子空間中進(jìn)行恐怖行為預(yù)測(cè)。這樣，一方面可以起到降低數(shù)據(jù)維的效果，避免高維數(shù)據(jù)對(duì)距離函數(shù)的影響；另一方面提取子空間后可以增加數(shù)據(jù)的密度，提高預(yù)測(cè)精度與預(yù)測(cè)的可信度；最后，在背景子空間中利用迭代計(jì)算方法預(yù)測(cè)恐怖行為，避免丟失的背景屬性對(duì)預(yù)測(cè)造成的波動(dòng)性。(2)在子空間提取方面
在一定時(shí)間內(nèi)，背景屬性數(shù)量保持不變，因此當(dāng)有新的數(shù)據(jù)點(diǎn)增加時(shí)，親和矩陣A的秩不會(huì)發(fā)生變化，進(jìn)而其拉普拉斯矩陣L的秩也不會(huì)發(fā)生變化。此時(shí)，只需要遍歷樣本集計(jì)算屬性節(jié)點(diǎn)之間的相似度，然后修改矩陣中對(duì)應(yīng)的元素即可。因此，本發(fā)明的子空間提取部分的時(shí)間復(fù)雜度由原來0(N3)降為O(N)。在提取背景知識(shí)子空間的提取過程不但可盡可能地利用類標(biāo)號(hào)信息，而且考慮到背景屬性之間的局部相似性以及樣本的分布情況，提高了背景子空間的提取效率。


圖1為本發(fā)明較優(yōu)實(shí)施例的預(yù)測(cè)流程示意圖。圖2為行為屬性Ai原始數(shù)據(jù)記錄之間的相關(guān)性圖。圖3為根據(jù)數(shù)據(jù)散化處理將圖2的原始數(shù)據(jù)記錄之間的關(guān)系轉(zhuǎn)化為背景屬性與行為屬性Ai之間的關(guān)聯(lián)度圖。
具體實(shí)施例方式為了更了解本發(fā)明的內(nèi)容，特舉具體實(shí)施例并配合所附圖式說明如下。如圖1所示，根據(jù)本發(fā)明的較優(yōu)實(shí)施例，基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法包括三個(gè)基本步驟背景數(shù)據(jù)的預(yù)處理；針對(duì)特定行為屬性提取其背景知識(shí)子空間(以下簡(jiǎn)稱背景子空間)；迭代計(jì)算預(yù)測(cè)處理。一、背景數(shù)據(jù)的預(yù)處理
背景數(shù)據(jù)由背景屬性和行為屬性構(gòu)成，標(biāo)記為向量對(duì)(CS (g)，AS (g))，其中CS (g) = (C1,C2,, Cm)表示背景數(shù)據(jù)中的背景屬性，AS(g)= (Ai，A2，...，AN)表示背景數(shù)據(jù)中涉及的行為屬性，為了得到不同行為屬性的背景知識(shí)子空間(以下簡(jiǎn)稱背景子空間)，對(duì)背景數(shù)據(jù)進(jìn)行預(yù)處理，形成(CSfehAi)的N個(gè)數(shù)據(jù)子集。本實(shí)施例采用如下表I所示的數(shù)據(jù)子集，其中共設(shè)置了八個(gè)字段，分別標(biāo)記為ID、CpCyCyCpCpCdP BOMB。ID 標(biāo)記為記錄在表中的編號(hào)。{Q、C2、C3、C4、C5、C6} = CS(g)表示背景屬性，(A1, A2,. . . , An) =AS (g)即表I中的BOMB表示行為屬性。在構(gòu)造表I的數(shù)據(jù)時(shí)，假定背景屬性C4與C6與BOMB的聯(lián)度較高，目的是利用表I所示的背景屬性來預(yù)測(cè)恐怖行為的發(fā)生與否。
權(quán)利要求
1.一種基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，其特征在于，包括以下步驟 步驟1:背景數(shù)據(jù)的預(yù)處理 背景數(shù)據(jù)由背景屬性和行為屬性構(gòu)成，標(biāo)記為向量對(duì)(CS(g)，AS(g))，其中CS (g) = ^, C2,..., Cm)表示背景數(shù)據(jù)中的背景屬性，AS(g)= (A”A2，…，An)表示背景數(shù)據(jù)中涉及的行為屬性，為了得到不同行為屬性的背景知識(shí)子空間，對(duì)背景數(shù)據(jù)進(jìn)行預(yù)處理，形成(CS (g)，Ai)的N個(gè)數(shù)據(jù)子集； 步驟2 :提取特定行為屬性的背景知識(shí)子空間 對(duì)于行為屬性Ai的數(shù)據(jù)子集的原始數(shù)據(jù)記錄Rn，Ri2，…，Rim，提取該行為屬性Ai的背景知識(shí)子空間； 步驟3 :利用條件概率理論和貝葉斯理論，在步驟(2)提取的背景知識(shí)子空間中進(jìn)行迭代計(jì)算，得到所有行為屬性Ai在N個(gè)數(shù)據(jù)子集下的發(fā)生概率，并取其中概率最大的作為預(yù)測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，其特征在于，在步驟2)中，提取行為屬性^的背景知識(shí)子空間包括以下步驟 對(duì)原始數(shù)據(jù)記錄Rij與Rik之間的關(guān)系進(jìn)行散化處理，散化為CS (g)中的背景屬性Cj與行為屬性Ai之間的關(guān)系，得到背景屬性&與行為屬性Ai之間的相似度P」；； 根據(jù)散化處理得到的相似度Pj構(gòu)造背景屬性Cj與行為屬性Ai之間的距離度Clj,距離度 dj=l/Pj ; 根據(jù)背景屬性&與行為屬性Ai之間的距離度4構(gòu)造背景屬性q與Ck之間的相似度aJk,相似度函數(shù)為 ajk=exp {[- ((Ij-(Ik)2] /2}； 根據(jù)相似度函數(shù)構(gòu)造背景屬性之間的親和矩陣A ； 求解親和矩陣A得到親和矩陣A的規(guī)范化拉普拉斯矩陣L ； 對(duì)規(guī)范化拉普拉斯矩陣L進(jìn)行特征值分解，然后利用譜分析原理根據(jù)特征值分解的相關(guān)信息對(duì)背景屬性進(jìn)行子圖劃分，從而把背景屬性劃分為兩個(gè)子圖； 提取與行為屬性Ai之間關(guān)聯(lián)度最大的子圖中的背景屬性作為提取的背景知識(shí)子空間； 重復(fù)上述步驟，以提取N個(gè)數(shù)據(jù)子集中對(duì)應(yīng)的行為屬性的背景知識(shí)子空間。
3.根據(jù)權(quán)利要求2所述的基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，其特征在于，在步驟2)中，數(shù)據(jù)散化處理包括以下步驟 對(duì)CS(g)中的每一背景屬性&設(shè)置一個(gè)計(jì)數(shù)變量ccp初始值為O ; 對(duì)數(shù)據(jù)子集進(jìn)行掃描，對(duì)背景屬性G的取值與數(shù)據(jù)子集對(duì)應(yīng)的行為屬性Ai的取值做比較； 若&與Ai同時(shí)發(fā)生或同時(shí)不發(fā)生，則計(jì)算變量Ch作自增I運(yùn)算，否則計(jì)算變量CCj的值保持不變； 掃描N個(gè)數(shù)據(jù)子集結(jié)束后，利用相似度公式Pf cc/m計(jì)算CS (g)中每一背景屬性Cj與行為屬性Ai之間的相似度，從而把原始數(shù)據(jù)Ru與Rik之間的關(guān)系，散化為CS(g)中的背景屬性與行為Ai之間的關(guān)系。
全文摘要
本發(fā)明提供一種基于恐怖組織背景知識(shí)子空間的恐怖行為預(yù)測(cè)方法，包括以下步驟步驟1背景數(shù)據(jù)的預(yù)處理，背景數(shù)據(jù)由背景知識(shí)和行為知識(shí)構(gòu)成，標(biāo)記為向量對(duì)(CS(g),AS(g))，其中CS(g)=(C1,C2,...,CM)表示背景數(shù)據(jù)中的背景屬性，AS(g)=(A1,A2,...,AN)表示背景數(shù)據(jù)中涉及的行為屬性，為了得到不同行為屬性的背景知識(shí)子空間，對(duì)背景數(shù)據(jù)進(jìn)行預(yù)處理，形成(CS(g),Ai)的N個(gè)數(shù)據(jù)子集；步驟2對(duì)特定行為屬性Ai對(duì)應(yīng)的數(shù)據(jù)子集的數(shù)據(jù)記錄，提取行為屬性Ai的背景知識(shí)子空間；步驟3利用條件概率理論和貝葉斯理論，在背景知識(shí)子空間中迭代計(jì)算預(yù)測(cè)結(jié)果。本發(fā)明的預(yù)測(cè)方法可避免預(yù)測(cè)過程中的波動(dòng)性，同時(shí)提高預(yù)測(cè)算法的預(yù)測(cè)精度，避免背景數(shù)據(jù)的高維、小樣本的特性對(duì)預(yù)測(cè)造成的影響。
文檔編號(hào)G06F19/00GK103065047SQ20121057579
公開日2013年4月24日 申請(qǐng)日期2012年12月27日 優(yōu)先權(quán)日2012年12月27日
發(fā)明者薛安榮, 王偉 申請(qǐng)人:江蘇大學(xué)