基于最大化依赖的恐怖行为背景特征提取方法

来源：计算机应用杂志2015年第3期北京时间：

作者：薛安荣, 贾小艳, 葛清龙, 杨晓琴

单位：1. 江苏大学 计算机科学与通信工程学院, 江苏 镇江 212013;2. 解放军理工大学 通信工程学院, 南京 210007

摘要：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。

关键词：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

基金资助：国家自然科学基金资助项目(61300228)