李樂天 鄭何真 丁晨

摘 要：為準(zhǔn)確快速地對恐怖襲擊事件進(jìn)行分級，幫助建立恐怖襲擊事件應(yīng)急預(yù)案，提出一種基于模糊聚類算法和模擬退火遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的恐怖襲擊事件分級模型。通過模糊聚類算法劃分樣本訓(xùn)練集，利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力獲取輸入與輸出之間的模糊規(guī)則，采用模擬退火遺傳算法提高神經(jīng)網(wǎng)絡(luò)精度。以GTD數(shù)據(jù)庫樣本為例，經(jīng)實(shí)驗(yàn)得到普通BP神經(jīng)網(wǎng)絡(luò)的分級正確率為94.32%，模擬退火遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分級正確率可提升到99.88%，驗(yàn)證了基于模糊聚類算法和模擬退火遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分級模型的有效性。

關(guān)鍵詞：恐怖襲擊事件；分級模型；模糊聚類分析；BP神經(jīng)網(wǎng)絡(luò)；模擬退火遺傳算法

DOI：10. 11907/rjdk. 191241

中圖分類號：TP301 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）005-0021-06

Abstract： In order to classify terrorist attacks accurately and quickly through data analysis，promoting the establishment of emergent contingency plans for new terrorist attacks， this paper proposed the classification model for terrorist attacks based on fuzzy clustering algorithm and BP neural network optimized by simulated annealing genetic algorithm. First we divide samples of terrorist attacks into four different classes， and then obtain the fuzzy rules between inputs and outputs through the self-learning ability of BP neural network， where the simulated annealing genetic algorithm is used to improve the accuracy of the neural network. Taking the sample of GTD database as an example， we achieved the classification accuracy of BP neural network at 94.32% through experiments， and the accuracy of BP neural network optimized by simulated annealing genetic algorithm can be improved to 99.88%， which verifies the effectiveness of the BP neural network classification model optimized by fuzzy clustering algorithm and simulated annealing genetic algorithm.

Key Words： terrorist attacks； classification model； fuzzy clustering analysis； BP neural network；simulated annealing genetic algorithm

0 引言

恐怖主義是人類公敵。GTD數(shù)據(jù)庫[1]是現(xiàn)今最權(quán)威的恐怖襲擊事件信息數(shù)據(jù)庫，由美國馬里蘭大學(xué)相關(guān)研究所START收錄，其中對1970-2016年全球恐怖襲擊事件進(jìn)行了最原始的描述，記載數(shù)量超過17萬件。GTD定義恐怖主義是一種非政府組織活動，該行為經(jīng)常帶有宗教色彩或政治目的。實(shí)施者通過非法武力、暴力、威脅、恐嚇等方式，以達(dá)到某種社會和經(jīng)濟(jì)目的[2]。因此，恐怖襲擊事件具有極大的殺傷力和破壞力。最大程度地降低事件造成的損失和影響，建立恐怖襲擊事件分級模型，將推動政府構(gòu)建恐怖襲擊事件應(yīng)急預(yù)案，對維護(hù)社會穩(wěn)定具有重要意義。

目前常用的分級方法為主觀分級法，一般由權(quán)威組織或部門選擇若干個主要指標(biāo)，強(qiáng)制規(guī)定分級標(biāo)準(zhǔn)。由于評價恐怖襲擊事件的危害性比較復(fù)雜，不僅取決于人員傷亡和財(cái)產(chǎn)損失，還與發(fā)生地點(diǎn)、攻擊形式、針對對象等諸多因素有關(guān)，因此主觀分級法不能全面綜合地將恐怖襲擊事件分級，選取的指標(biāo)是否科學(xué)也有待考證。相關(guān)研究有：位珍珍[3]通過對GTD數(shù)據(jù)庫中恐怖襲擊來源、襲擊地域、目標(biāo)、手段的可視化圖像分析，得出恐怖襲擊事件危害影響的比較；王念秦等[4]結(jié)合層次分析法，在充分借助主觀經(jīng)驗(yàn)與客觀數(shù)據(jù)的基礎(chǔ)上，平衡兩者優(yōu)劣選擇組合賦權(quán)方法，更好地確保指標(biāo)權(quán)重設(shè)計(jì)的合理性。梳理朱祖平等 [5]與謝振華等[6]學(xué)者的文獻(xiàn)資料發(fā)現(xiàn)，利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力可以建立基于模糊綜合評價的非線性映射規(guī)則，使評價模型更加高效且克服了模糊性；呂瓊帥等[7]、劉學(xué)士等[8]采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，有效改善了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷于局部最優(yōu)的問題。目前，利用數(shù)據(jù)挖掘的方式進(jìn)行恐怖襲擊事件分級研究尚處于不成熟時期，大多數(shù)研究僅限于針對恐怖襲擊事件的數(shù)據(jù)進(jìn)行可視化分析。

本文提出一種基于模糊聚類法和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的分級模型，該模型兼顧主觀經(jīng)驗(yàn)和客觀數(shù)據(jù)，首先利用改進(jìn)的層次分析法與熵權(quán)法分別計(jì)算恐怖襲擊事件評價指標(biāo)權(quán)重，基于博弈論思想得到最優(yōu)組合作為最終的指標(biāo)權(quán)重；再利用模糊聚類法對樣本數(shù)據(jù)進(jìn)行模糊劃分，結(jié)合評價指標(biāo)權(quán)重對每個類別進(jìn)行排序分級，并通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)獲取輸入到輸出的模糊規(guī)則。BP神經(jīng)網(wǎng)絡(luò)的收斂速度較慢且訓(xùn)練時易陷入局部最優(yōu)解，為糾正這一偏差，選擇模擬退火遺傳算法進(jìn)行優(yōu)化，有效提升了BP神經(jīng)網(wǎng)絡(luò)精確度。

1 評價指標(biāo)體系建立

1.1 評價指標(biāo)體系

恐怖襲擊事件危害評價受多種因素影響，既有確定的定量指標(biāo)，又有模糊的定性指標(biāo)。綜合恐怖襲擊事件發(fā)起的目的與產(chǎn)生后果，建立恐怖襲擊事件危害性評價指標(biāo)體系如圖1所示。包含影響范圍、損失程度等4個一級指標(biāo)，襲擊有效性、死亡人數(shù)等若干個二級指標(biāo)。在指標(biāo)量化工作時采取專家綜合評價方法確定定性指標(biāo)值，定量指標(biāo)直接選用測量值。

1.2 指標(biāo)權(quán)重確定

評價指標(biāo)權(quán)重采取多種方法獲得，常用的有主觀賦權(quán)法和客觀賦權(quán)法。為充分結(jié)合主觀經(jīng)驗(yàn)和客觀數(shù)據(jù)，通過改進(jìn)的層次分析法和熵權(quán)法并利用博弈論組合賦權(quán)法得到最優(yōu)組合權(quán)重。

博弈論組合賦權(quán)法基本思想為：在主觀和客觀賦權(quán)法之間達(dá)成共識，尋求二者之間的一種均衡結(jié)果，發(fā)揮兩者優(yōu)勢，通過極小化組合權(quán)重與各基本權(quán)重間的偏差實(shí)現(xiàn)[9]。

2 恐怖襲擊事件分級方法

2.1 分級方法原理

目前常用的主觀分級法主要憑借人工經(jīng)驗(yàn)對恐怖襲擊事件劃分等級，易受多種隨機(jī)因素影響且誤差偏大。因此，本文應(yīng)用模糊聚類分析算法對恐怖襲擊事件進(jìn)行等級劃分，利用其對數(shù)據(jù)的挖掘和應(yīng)對模糊性的優(yōu)勢，得到更加科學(xué)合理的分級。利用BP神經(jīng)網(wǎng)絡(luò)固有的大規(guī)模并行處理和自組織學(xué)習(xí)能力，尋求恐怖襲擊事件評價指標(biāo)與等級劃分之間復(fù)雜的非線性映射關(guān)系，并通過模擬退火遺傳算法優(yōu)化該網(wǎng)絡(luò)，以此簡化傳統(tǒng)模型繁瑣的分級過程，提高等級劃分效率和精度。

模糊聚類與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)恐怖襲擊事件分級模型結(jié)構(gòu)如圖2所示，其基本原理為：將歸一化的恐怖襲擊事件樣本數(shù)據(jù)結(jié)合博弈論組合賦權(quán)法得到的評價指標(biāo)綜合權(quán)重進(jìn)行模糊聚類分析，獲取科學(xué)的等級劃分，并給定相應(yīng)的期望值；將聚類后的樣本當(dāng)作訓(xùn)練樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入，并通過模擬退火遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；利用得到的初始值對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終獲取輸入與輸出之間的模糊映射規(guī)則，BP神經(jīng)網(wǎng)絡(luò)的輸出即為評價結(jié)果，可作為等級劃分的參考。

2.4.2 模擬退火遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)原理

為有效確保BP神經(jīng)網(wǎng)絡(luò)在計(jì)算恐怖襲擊事件形成的危害性時更加精確，選擇模擬退火遺傳算法對其優(yōu)化，步驟如下（見圖5）：

（1）對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化操作：設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，確定訓(xùn)練次數(shù)等相關(guān)參數(shù)值。

（2）對模擬退火遺傳算法參數(shù)進(jìn)行初始化操作：設(shè)定種群大小、編碼長度等參數(shù)值。

（3）對模擬退火遺傳算法進(jìn)行迭代計(jì)算：首先進(jìn)行染色體編碼，進(jìn)而計(jì)算所有個體的適應(yīng)能力，每個個體代表BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。選擇適應(yīng)能力較強(qiáng)的個體進(jìn)行選擇、交叉、變異和退火操作，優(yōu)化產(chǎn)生新一代種群并再次計(jì)算所有個體的適應(yīng)能力，判斷是否停止。一直迭代，直至得到最優(yōu)網(wǎng)絡(luò)權(quán)值和閾值。

（4）對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：結(jié)合上述操作步驟中得到的閾值和網(wǎng)絡(luò)權(quán)值對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（5）獲取評價結(jié)果：以BP神經(jīng)網(wǎng)絡(luò)最終的輸出值為恐怖襲擊事件危害性評價結(jié)果，作為等級劃分的參考。

3.3 BP神經(jīng)網(wǎng)絡(luò)建立

（1）對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多次重復(fù)訓(xùn)練，根據(jù)不同結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的預(yù)測能力擬定隱藏層的神經(jīng)元個數(shù)。選用Sigmoid函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，trainlm函數(shù)作為訓(xùn)練函數(shù)，相關(guān)操作參數(shù)設(shè)定如下：達(dá)到最大的訓(xùn)練次數(shù)數(shù)量為2 000，學(xué)習(xí)率為0.1，能夠達(dá)到最大的訓(xùn)練精度為4×10-7。根據(jù)圖6情況分析，“▲”代表的預(yù)測誤差較低，此時隱藏神經(jīng)元個數(shù)為20個。據(jù)此可判定BP神經(jīng)網(wǎng)絡(luò)隱藏神經(jīng)元個數(shù)為20。

（2）設(shè)定模擬退火遺傳算法相關(guān)參數(shù)：其中遺傳代數(shù)最大為100，種群規(guī)模設(shè)定為50，交叉概率設(shè)定為0.3，變異發(fā)生概率為0.05，編碼長度為12×20+20+20×1+1=281；初始溫度設(shè)定為500，每個溫度會發(fā)生的迭代次數(shù)設(shè)定為100，降溫系數(shù)值為0.95，降溫的最大次數(shù)為100。將模擬退火遺傳算法得到的最優(yōu)初始網(wǎng)絡(luò)權(quán)值和閾值作為初始參數(shù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，將計(jì)算出預(yù)測的平均相對誤差與普通BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行對比，結(jié)果如圖7所示。

根據(jù)圖7得到較優(yōu)的結(jié)果是SAG算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)。通過實(shí)驗(yàn)計(jì)算得到普通BP神經(jīng)網(wǎng)絡(luò)的分級正確率為94.32%，模擬退火遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分級正確率提升到99.88%，說明模擬退火遺傳算法對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化是有效的。

利用測試集的恐怖襲擊事件數(shù)據(jù)對事件分級，選取每個級別部分典型的事件以及某些權(quán)重較大的指標(biāo)進(jìn)行結(jié)果分析，評價模型的有效性，結(jié)果如表2所示。

由表2可以看出，本文的分級模型對測試集的分級結(jié)果較符合實(shí)際，而其分類主要依據(jù)在于客觀事物的損失上，社會秩序?qū)用婵剂枯^少，該模型具有對恐怖襲擊事件分級的有效性和普遍性。

4 結(jié)語

相對于當(dāng)今常用的主觀分級法，通過數(shù)據(jù)挖掘思路，基于模糊聚類和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)建立的恐怖襲擊事件分級模型，具有高效、便捷等特點(diǎn)，因此該模型對恐怖襲擊事件應(yīng)急處理具有開創(chuàng)性的延伸意義。主觀分級法由于人的易錯性，可能受到各種隨機(jī)因素影響，從而使應(yīng)對恐怖襲擊事件的決策出現(xiàn)失誤。本文結(jié)合兼顧主客觀的博弈論組合賦權(quán)法和模糊聚類分析，對恐怖襲擊事件進(jìn)行科學(xué)分級，利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，解決了其過程冗雜、速度慢的問題，并通過模擬退火遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來提高模型的精確性。經(jīng)過實(shí)驗(yàn)分析，驗(yàn)證了該模型的有效性。但是，當(dāng)新的恐怖襲擊事件發(fā)生以后，政府很難快速且準(zhǔn)確地進(jìn)行數(shù)據(jù)采集和危害性預(yù)測，所以仍然需要在此領(lǐng)域進(jìn)行更深層次的研究。

參考文獻(xiàn)：

[1] LAFREE G， DUGAN L. Introducing the global terrorism database[J]. Terrorism&Political Violence，2007，19（2）：168-173 .

[2] 彭如香，張奧博，楊濤，等. 基于GTD的全球恐怖主義活動現(xiàn)狀與發(fā)展趨勢研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2019，36（1）：1-5，21.

[3] 位珍珍. 后911時代恐怖主義的GTD數(shù)據(jù)分析[J]. 情報(bào)雜志，2017，36（7）：10-15.

[4] 王念秦，張帥，劉鵬. 基于博弈論組合賦權(quán)法的泥石流災(zāi)害易發(fā)性評價云模型[J]. 長江科學(xué)院院報(bào)，2019，9（1）：1-9.

[5] 朱祖平，朱彬. 基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新效果的模糊綜合評價[J]. 系統(tǒng)工程理論與實(shí)踐，2004（4）：16-21.

[6] 謝振華，竇培謙. 基于BP神經(jīng)網(wǎng)絡(luò)的礦山排土場滑坡預(yù)警模型[J]. 金屬礦山，2017（6）：166-169.

[7] 呂瓊帥，王世卿. 基于遺傳模擬退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)與現(xiàn)代化，2011（6）：91-94.

[8] 劉學(xué)士，肖旭，戴勇. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的磨削力預(yù)測[J]. 機(jī)械設(shè)計(jì)與制造，2013（1）：227-229.

[9] 路遙，徐林榮，陳舒陽，等. 基于博弈論組合賦權(quán)的泥石流危險(xiǎn)度評價[J]. 災(zāi)害學(xué)，2014，29（1）：194-200.

[10] 郭燕紅，邵東國，劉玉龍，等. 工程建設(shè)效果后評價博弈論集對分析模型的建立與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（9）：5-12.

[11] RANA S， JASOLA S， KUMAR R. A boundary restricted adaptive particle swarm optimization for data clustering[J]. International Journal of Machine Learning & Cybernetics，2013，4（4）：2101-2112.

[12] CHEN WJ，？CHEN J， SUN HJ， et al. Simulation and？analysis of？irregular multicoil B-0 shimming in？ctype permanent magnets using genetic algorithm and？simulated annealing[J]. Applied Magnetic Resonance，2019，50（1）：91-99.

[13] 潘尚峰，盧超，彭一波. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的機(jī)床基礎(chǔ)部件可再制造性評價模型[J]. 中國機(jī)械工程，2016，27（20）：2743-2748.

[14] 王宇鋼，修世超. 核模糊聚類和BP神經(jīng)網(wǎng)絡(luò)的切削工藝綠色度評價[J]. 機(jī)械設(shè)計(jì)與制造，2018 （11）：41-44.

[15] 曹黎俠，馮孝周. 新的改進(jìn)AHP算法研究及應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（12）：115-117，121.

[16] 蔡正杰，梁昌勇，趙樹平. 突發(fā)環(huán)境事件等級評估方法研究[J]. 計(jì)算機(jī)應(yīng)用研究，2014，31（11）：3217-3220.

[17] 王朝，姚敏，富展展. 基于模糊綜合評價的突發(fā)事件分級研究[J]. 軟件導(dǎo)刊，2019 （1）：1-4.

[18] WANG RL， ZHA BB. A research on the optimal design of BP neural network based on improved GEP[J]. International Journal of Pattern Recognition and artificial Intelligence，2019，33（3）：489-496.

[19] 劉煥淋，朱平鑫，陳勇，等. 改進(jìn)遺傳模擬退火算法優(yōu)化室內(nèi)VLC覆蓋均勻性[J]. 中國激光，2019 （9）：1-10.

[20] 李今花，王虎，雷建軍. 可信網(wǎng)絡(luò)中基于熵權(quán)法的信任評估模型[J]. 華中師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，53（1）：26-29.

[21] 張品一，羅春燕，梁鍶. 基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的黃金價格仿真預(yù)測[J]. 統(tǒng)計(jì)與決策，2018，34（17）：158-161.

（責(zé)任編輯：杜能鋼）