基于改進BP神經網絡的恐怖襲擊事件分級研究

李樂天 鄭何真 丁晨

摘 要：為準確快速地對恐怖襲擊事件進行分級，幫助建立恐怖襲擊事件應急預案，提出一種基于模糊聚類算法和模擬退火遺傳算法優化BP神經網絡的恐怖襲擊事件分級模型。通過模糊聚類算法劃分樣本訓練集，利用BP神經網絡的自學習能力獲取輸入與輸出之間的模糊規則，采用模擬退火遺傳算法提高神經網絡精度。以GTD數據庫樣本為例，經實驗得到普通BP神經網絡的分級正確率為94.32%，模擬退火遺傳算法優化的BP神經網絡分級正確率可提升到99.88%，驗證了基于模糊聚類算法和模擬退火遺傳算法優化BP神經網絡分級模型的有效性。

關鍵詞：恐怖襲擊事件；分級模型；模糊聚類分析；BP神經網絡；模擬退火遺傳算法

DOI：10. 11907/rjdk. 191241

中圖分類號：TP301 文獻標識碼：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數據庫[1]是現今最權威的恐怖襲擊事件信息數據庫，由美國馬里蘭大學相關研究所START收錄，其中對1970-2016年全球恐怖襲擊事件進行了最原始的描述，記載數量超過17萬件。GTD定義恐怖主義是一種非政府組織活動，該行為經常帶有宗教色彩或政治目的。實施者通過非法武力、暴力、威脅、恐嚇等方式，以達到某種社會和經濟目的[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，將推動政府構建恐怖襲擊事件應急預案，對維護社會穩定具有重要意義。

目前常用的分級方法為主觀分級法，一般由權威組織或部門選擇若干個主要指標，強制規定分級標準。由于評價恐怖襲擊事件的危害性比較復雜，不僅取決于人員傷亡和財產損失，還與發生地點、攻擊形式、針對對象等諸多因素有關，因此主觀分級法不能全面綜合地將恐怖襲擊事件分級，選取的指標是否科學也有待考證。相關研究有：位珍珍[3]通過對GTD數據庫中恐怖襲擊來源、襲擊地域、目標、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]結合層次分析法，在充分借助主觀經驗與客觀數據的基礎上，平衡兩者優劣選擇組合賦權方法，更好地確保指標權重設計的合理性。梳理朱祖平等 [5]與謝振華等[6]學者的文獻資料發現，利用BP神經網絡的自學習能力可以建立基于模糊綜合評價的非線性映射規則，使評價模型更加高效且克服了模糊性；呂瓊帥等[7]、劉學士等[8]采用遺傳算法優化BP神經網絡，有效改善了BP神經網絡收斂速度慢、易陷于局部最優的問題。目前，利用數據挖掘的方式進行恐怖襲擊事件分級研究尚處于不成熟時期，大多數研究僅限于針對恐怖襲擊事件的數據進行可視化分析。

本文提出一種基于模糊聚類法和改進BP神經網絡的分級模型，該模型兼顧主觀經驗和客觀數據，首先利用改進的層次分析法與熵權法分別計算恐怖襲擊事件評價指標權重，基于博弈論思想得到最優組合作為最終的指標權重；再利用模糊聚類法對樣本數據進行模糊劃分，結合評價指標權重對每個類別進行排序分級，并通過訓練BP神經網絡獲取輸入到輸出的模糊規則。BP神經網絡的收斂速度較慢且訓練時易陷入局部最優解，為糾正這一偏差，選擇模擬退火遺傳算法進行優化，有效提升了BP神經網絡精確度。

1 評價指標體系建立

1.1 評價指標體系

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，又有模糊的定性指標。綜合恐怖襲擊事件發起的目的與產生后果，建立恐怖襲擊事件危害性評價指標體系如圖1所示。包含影響范圍、損失程度等4個一級指標，襲擊有效性、死亡人數等若干個二級指標。在指標量化工作時采取專家綜合評價方法確定定性指標值，定量指標直接選用測量值。

1.2 指標權重確定

評價指標權重采取多種方法獲得，常用的有主觀賦權法和客觀賦權法。為充分結合主觀經驗和客觀數據，通過改進的層次分析法和熵權法并利用博弈論組合賦權法得到最優組合權重。

博弈論組合賦權法基本思想為：在主觀和客觀賦權法之間達成共識，尋求二者之間的一種均衡結果，發揮兩者優勢，通過極小化組合權重與各基本權重間的偏差實現[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驗對恐怖襲擊事件劃分等級，易受多種隨機因素影響且誤差偏大。因此，本文應用模糊聚類分析算法對恐怖襲擊事件進行等級劃分，利用其對數據的挖掘和應對模糊性的優勢，得到更加科學合理的分級。利用BP神經網絡固有的大規模并行處理和自組織學習能力，尋求恐怖襲擊事件評價指標與等級劃分之間復雜的非線性映射關系，并通過模擬退火遺傳算法優化該網絡，以此簡化傳統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BP神經網絡恐怖襲擊事件分級模型結構如圖2所示，其基本原理為：將歸一化的恐怖襲擊事件樣本數據結合博弈論組合賦權法得到的評價指標綜合權重進行模糊聚類分析，獲取科學的等級劃分，并給定相應的期望值；將聚類后的樣本當作訓練樣本作為BP神經網絡的輸入，并通過模擬退火遺傳算法優化BP神經網絡的初始權值和閾值；利用得到的初始值對BP神經網絡進行訓練，最終獲取輸入與輸出之間的模糊映射規則，BP神經網絡的輸出即為評價結果，可作為等級劃分的參考。

2.4.2 模擬退火遺傳算法優化的BP神經網絡原理

為有效確保BP神經網絡在計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化，步驟如下（見圖5）：

（1）對BP神經網絡進行初始化操作：設計網絡結構，確定訓練次數等相關參數值。

（2）對模擬退火遺傳算法參數進行初始化操作：設定種群大小、編碼長度等參數值。

（3）對模擬退火遺傳算法進行迭代計算：首先進行染色體編碼，進而計算所有個體的適應能力，每個個體代表BP神經網絡的權值和閾值。選擇適應能力較強的個體進行選擇、交叉、變異和退火操作，優化產生新一代種群并再次計算所有個體的適應能力，判斷是否停止。一直迭代，直至得到最優網絡權值和閾值。

（4）對BP神經網絡進行訓練：結合上述操作步驟中得到的閾值和網絡權值對BP神經網絡進行訓練。

（5）獲取評價結果：以BP神經網絡最終的輸出值為恐怖襲擊事件危害性評價結果，作為等級劃分的參考。

3.3 BP神經網絡建立

（1）對BP神經網絡進行多次重復訓練，根據不同結構神經網絡的預測能力擬定隱藏層的神經元個數。選用Sigmoid函數作為BP神經網絡的激活函數，trainlm函數作為訓練函數，相關操作參數設定如下：達到最大的訓練次數數量為2 000，學習率為0.1，能夠達到最大的訓練精度為4×10-7。根據圖6情況分析，“▲”代表的預測誤差較低，此時隱藏神經元個數為20個。據此可判定BP神經網絡隱藏神經元個數為20。

（2）設定模擬退火遺傳算法相關參數：其中遺傳代數最大為100，種群規模設定為50，交叉概率設定為0.3，變異發生概率為0.05，編碼長度為12×20+20+20×1+1=281；初始溫度設定為500，每個溫度會發生的迭代次數設定為100，降溫系數值為0.95，降溫的最大次數為100。將模擬退火遺傳算法得到的最優初始網絡權值和閾值作為初始參數訓練BP神經網絡，將計算出預測的平均相對誤差與普通BP神經網絡的預測結果進行對比，結果如圖7所示。

根據圖7得到較優的結果是SAG算法優化后的BP神經網絡。通過實驗計算得到普通BP神經網絡的分級正確率為94.32%，模擬退火遺傳算法優化的BP神經網絡分級正確率提升到99.88%，說明模擬退火遺傳算法對BP神經網絡優化是有效的。

利用測試集的恐怖襲擊事件數據對事件分級，選取每個級別部分典型的事件以及某些權重較大的指標進行結果分析，評價模型的有效性，結果如表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果較符合實際，而其分類主要依據在于客觀事物的損失上，社會秩序層面考量較少，該模型具有對恐怖襲擊事件分級的有效性和普遍性。

4 結語

相對于當今常用的主觀分級法，通過數據挖掘思路，基于模糊聚類和改進BP神經網絡建立的恐怖襲擊事件分級模型，具有高效、便捷等特點，因此該模型對恐怖襲擊事件應急處理具有開創性的延伸意義。主觀分級法由于人的易錯性，可能受到各種隨機因素影響，從而使應對恐怖襲擊事件的決策出現失誤。本文結合兼顧主客觀的博弈論組合賦權法和模糊聚類分析，對恐怖襲擊事件進行科學分級，利用BP神經網絡的自學習能力，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化BP神經網絡來提高模型的精確性。經過實驗分析，驗證了該模型的有效性。但是，當新的恐怖襲擊事件發生以后，政府很難快速且準確地進行數據采集和危害性預測，所以仍然需要在此領域進行更深層次的研究。

參考文獻：

[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狀與發展趨勢研究[J]. 計算機應用與軟件，2019，36（1）：1-5，21.

[3] 位珍珍. 后911時代恐怖主義的GTD數據分析[J]. 情報雜志，2017，36（7）：10-15.

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

[5] 朱祖平，朱彬. 基于BP神經網絡的企業技術創新效果的模糊綜合評價[J]. 系統工程理論與實踐，2004（4）：16-21.

[6] 謝振華，竇培謙. 基于BP神經網絡的礦山排土場滑坡預警模型[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化的BP神經網絡[J]. 計算機與現代化，2011（6）：91-94.

[8] 劉學士，肖旭，戴勇. 基于遺傳算法優化BP神經網絡的磨削力預測[J]. 機械設計與制造，2013（1）：227-229.

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

[10] 郭燕紅，邵東國，劉玉龍，等. 工程建設效果后評價博弈論集對分析模型的建立與應用[J]. 農業工程學報，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BP神經網絡的機床基礎部件可再制造性評價模型[J]. 中國機械工程，2016，27（20）：2743-2748.

[14] 王宇鋼，修世超. 核模糊聚類和BP神經網絡的切削工藝綠色度評價[J]. 機械設計與制造，2018 （11）：41-44.

[15] 曹黎俠，馮孝周. 新的改進AHP算法研究及應用[J]. 計算機技術與發展，2010，20（12）：115-117，121.

[16] 蔡正杰，梁昌勇，趙樹平. 突發環境事件等級評估方法研究[J]. 計算機應用研究，2014，31（11）：3217-3220.

[17] 王朝，姚敏，富展展. 基于模糊綜合評價的突發事件分級研究[J]. 軟件導刊，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. 改進遺傳模擬退火算法優化室內VLC覆蓋均勻性[J]. 中國激光，2019 （9）：1-10.

[20] 李今花，王虎，雷建軍. 可信網絡中基于熵權法的信任評估模型[J]. 華中師范大學學報：自然科學版，2019，53（1）：26-29.

[21] 張品一，羅春燕，梁鍶. 基于GA-BP神經網絡模型的黃金價格仿真預測[J]. 統計與決策，2018，34（17）：158-161.

（責任編輯：杜能鋼）