[发明专利]一种基于多源实例迁移学习的恐怖行为预测方法

权利要求书

1.一种基于多源实例迁移学习的恐怖行为预测方法，其特征在于，包括以下步骤：

步骤1，背景数据的预处理：背景数据由背景知识和行为知识构成，标记为向量对(CS，AS)，其中CS＝(C₁，C₂，...，C_M)表示背景数据中的背景属性，AS＝(A₁，A₂，...，A_N)表示背景数据中涉及的行为属性，为了在组织间实现迁移，对背景数据进行预处理，将多个行为属性合并为一个行为属性，形成(CS，A)的数据集，其中A＝A₁||A₂||...||A_N为合并的行为属性；

步骤2，训练候选预测模型：通过步骤1得到形如(CS，A)的源组织和目标组织样本集，对多个源组织样本集分别同目标组织样本集取并集，在每个并集上采用SVM进行迭代的训练，每次迭代训练中都对错分样本进行权重修正，进而得到候选预测模型集；

步骤3，集成最终预测模型：过滤步骤2得到的候选预测模型集中对于目标数据集的误差超过阈值的部分，剩余的模型以加权投票的方式实现行为预测。

2.根据权利要求1所述的基于多源实例迁移学习的恐怖行为预测方法，其特征在于，在步骤2中，训练候选预测模型具体包括以下步骤：

步骤2.1，初始化源组织和目标组织的权重向量其中为第k个源组织样本权重向量，为目标组织的样本权重向量，为了避免权重不匹配问题，对目标组织样本赋予较高的权重；

步骤2.2，对于第一个源组织样本集同目标组织样本集D_T取并集在上进行迭代的训练得到第一个源组织的候选预测模型；

步骤2.3，对所有源组织完成了迭代的训练得到候选预测模型集G。

3.根据权利要求2所述的基于多源实例迁移学习的恐怖行为预测方法，其特征在于，在步骤2.2中，迭代的训练包括以下步骤：

S1，对的样本权重向量W={WSk,WT}]]>利用公式pt=w/(Σi=1nwSik+Σi=1mwTi)]]>进行权重归一化处理，使所有样本的权重之和为1；

S2，根据归一化后的权重分布采用SVM分类算法在上训练分类预测模型h：C→A；

S3，利用公式计算h在目标组织样本集D_T上的误差ε；

S4，设αS=1/(1+2lnnS/M),]]>其中n_S为源组织样本量，利用公式wSi=wSi·αS|h(Ci)-Ai|]]>修正源组织样本权重

S5，设α_T＝ε/(1-ε)，为了保证α_T＞1，所以ε必须小于0.5，利用公式修正目标组织样本权重W_T；

S6，记录预测模型已经对应的误差F←(h，ε)完成第一轮迭代，并根据修正后的样本权重进行第二轮迭代，直至导致最大迭代次数M；

S7，根据公式得到该源组织的候选预测模型，根据公式得到候选预测模型在D_T上的平均误差，记录候选预测模型和平均误差G←(h_sum，ε_avg)。