计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2015年
3期
797-801
,共5页
薛安荣%贾小艳%葛清龙%杨晓琴
薛安榮%賈小豔%葛清龍%楊曉琴
설안영%가소염%갈청룡%양효금
恐怖行为预测%特征提取%希尔伯特-施密特独立标准%支持向量机%恐怖组织行为族群
恐怖行為預測%特徵提取%希爾伯特-施密特獨立標準%支持嚮量機%恐怖組織行為族群
공포행위예측%특정제취%희이백특-시밀특독립표준%지지향량궤%공포조직행위족군
terrorism behavior prediction%feature extraction%Hilbert-Schmidt independence criterion%Support Vector Machine (SVM)%Minorities at Risk Organizational Behavior (MOROB)
针对恐怖数据集中存在的属性值残缺问题,提出了基于最大化背景向量与行为之间依赖关系的压缩背景空间(CCS)方法.该方法基于希尔伯特-施密特独立标准和希尔伯特-施密特范数,它们能有效检测变量间的关联性.CCS通过使得背景向量线性投影后的低维特征与行为之间希尔伯特-施密特范数最大化,从而实现背景向量与行为之间的依赖关系最大化,更好地发现两者之间的关联性,减小属性值残缺带来的影响.然后利用分类模型(如支持向量机(SVM))对所得到的低维特征进行学习(CCS+ SVM),实现高效预测.在MAROB数据集上的实验表明:与SVM模型、基于传统特征提取方法(如PCA和CCA)的SVM模型以及已有的恐怖行为预测算法CONVEX相比,CCS+SVM的性能在查全率和F值上分别提高1.5％和1.0％以上,而查准率和ROC曲线下面积(AUC)值与最好性能相当.实验结果表明,CCS+ SVM能够较好地解决恐怖数据集中的属性值残缺问题.
針對恐怖數據集中存在的屬性值殘缺問題,提齣瞭基于最大化揹景嚮量與行為之間依賴關繫的壓縮揹景空間(CCS)方法.該方法基于希爾伯特-施密特獨立標準和希爾伯特-施密特範數,它們能有效檢測變量間的關聯性.CCS通過使得揹景嚮量線性投影後的低維特徵與行為之間希爾伯特-施密特範數最大化,從而實現揹景嚮量與行為之間的依賴關繫最大化,更好地髮現兩者之間的關聯性,減小屬性值殘缺帶來的影響.然後利用分類模型(如支持嚮量機(SVM))對所得到的低維特徵進行學習(CCS+ SVM),實現高效預測.在MAROB數據集上的實驗錶明:與SVM模型、基于傳統特徵提取方法(如PCA和CCA)的SVM模型以及已有的恐怖行為預測算法CONVEX相比,CCS+SVM的性能在查全率和F值上分彆提高1.5％和1.0％以上,而查準率和ROC麯線下麵積(AUC)值與最好性能相噹.實驗結果錶明,CCS+ SVM能夠較好地解決恐怖數據集中的屬性值殘缺問題.
침대공포수거집중존재적속성치잔결문제,제출료기우최대화배경향량여행위지간의뢰관계적압축배경공간(CCS)방법.해방법기우희이백특-시밀특독립표준화희이백특-시밀특범수,타문능유효검측변량간적관련성.CCS통과사득배경향량선성투영후적저유특정여행위지간희이백특-시밀특범수최대화,종이실현배경향량여행위지간적의뢰관계최대화,경호지발현량자지간적관련성,감소속성치잔결대래적영향.연후이용분류모형(여지지향량궤(SVM))대소득도적저유특정진행학습(CCS+ SVM),실현고효예측.재MAROB수거집상적실험표명:여SVM모형、기우전통특정제취방법(여PCA화CCA)적SVM모형이급이유적공포행위예측산법CONVEX상비,CCS+SVM적성능재사전솔화F치상분별제고1.5％화1.0％이상,이사준솔화ROC곡선하면적(AUC)치여최호성능상당.실험결과표명,CCS+ SVM능구교호지해결공포수거집중적속성치잔결문제.
