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SitCAST和CONVEX方法来预测组织行为。而SitCAST+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。
展开▼
