基于機(jī)器學(xué)習(xí)的恐怖分子預(yù)測(cè)算法

李 慧,張南南,曹 卓,鄭 海,陳湘萍

(貴州大學(xué) a.電氣工程學(xué)院; b.機(jī)械工程學(xué)院,貴陽(yáng) 550025)

0 概述

當(dāng)今世界,恐怖襲擊事件頻繁發(fā)生,由全球恐怖主義數(shù)據(jù)庫(kù)(GTD)統(tǒng)計(jì)的數(shù)據(jù)可知,從1970年至今,記錄在案的恐怖襲擊事件高達(dá)180 000多起。恐怖襲擊不僅具有極大的殺傷性與破壞力,直接造成大量的人員傷亡和財(cái)產(chǎn)損失,而且還給人們帶來(lái)巨大的心理壓力,導(dǎo)致社會(huì)一定程度的動(dòng)蕩不安,妨礙正常的工作與生活秩序,進(jìn)而極大地阻礙經(jīng)濟(jì)的發(fā)展[1]。對(duì)恐怖襲擊事件嫌疑人的分析預(yù)測(cè)有利于對(duì)恐怖分子進(jìn)行針對(duì)性打擊,能夠?yàn)榉纯趾头揽止ぷ魈峁┯袃r(jià)值的信息支持,有助于提高破案效率以及盡早發(fā)現(xiàn)新生或者隱藏的恐怖分子,從而降低人員和財(cái)產(chǎn)損失。

目前國(guó)內(nèi)外許多專家學(xué)者針對(duì)恐怖襲擊風(fēng)險(xiǎn)評(píng)估進(jìn)行了相關(guān)研究。文獻(xiàn)[2]提出基于人口的簡(jiǎn)單風(fēng)險(xiǎn)指標(biāo)和基于事件的RMS恐怖風(fēng)險(xiǎn)模型2種評(píng)估方法。還有一些研究利用事件樹(shù)[3-4]、概率風(fēng)險(xiǎn)評(píng)估(Probabilistic Risk Assessment,PRA)[5-7]、貝葉斯網(wǎng)絡(luò)[8-10]以及神經(jīng)網(wǎng)絡(luò)[11]等方法評(píng)估恐怖襲擊風(fēng)險(xiǎn)。而有些研究依據(jù)事件特征發(fā)現(xiàn)犯罪嫌疑人,如文獻(xiàn)[12]運(yùn)用支持向量機(jī)(Support Vector Machine,SVM)預(yù)測(cè)犯罪嫌疑人。該方法根據(jù)歷史犯罪記錄進(jìn)行特征選擇,訓(xùn)練基于SVM的嫌疑人特征預(yù)測(cè)模型,通過(guò)此模型對(duì)案件嫌疑人的各個(gè)特征進(jìn)行預(yù)測(cè),將預(yù)測(cè)出的特征與備選嫌疑人庫(kù)中人員特征進(jìn)行相似度計(jì)算,進(jìn)而預(yù)測(cè)出最有可能的嫌疑人。文獻(xiàn)[13]基于隨機(jī)森林模型組合分類器對(duì)犯罪行為進(jìn)行分析。文獻(xiàn)[14]基于一種混合神經(jīng)模糊模型,通過(guò)從模擬的廣域監(jiān)視網(wǎng)絡(luò)中提取的犯罪指示事件來(lái)預(yù)測(cè)在城市或地區(qū)中的犯罪行為。文獻(xiàn)[15]采用聚類算法,提出了一種基于Probit模型的犯罪嫌疑人判定技術(shù)。文獻(xiàn)[16]在分析財(cái)產(chǎn)犯罪時(shí)空規(guī)律的基礎(chǔ)上,利用BP神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)訓(xùn)練各因子與財(cái)產(chǎn)犯罪的非線性關(guān)系,建立了財(cái)產(chǎn)犯罪預(yù)測(cè)模型。文獻(xiàn)[17]比較如K-Means、DBSCAN等聚類算法,分析其對(duì)案件的聚類效果,找出最適合犯罪檢測(cè)的聚類算法。文獻(xiàn)[18]提出一個(gè)綜合框架,結(jié)合社會(huì)網(wǎng)絡(luò)分析、小波變換和模式識(shí)別的方法預(yù)測(cè)恐怖組織的攻擊行為。但上述方法的預(yù)測(cè)效果不理想,使用的數(shù)據(jù)量也較小,反映出的犯罪特征不夠全面,且針對(duì)特殊的恐怖襲擊犯罪事件的研究還較少。

本文使用GTD數(shù)據(jù)庫(kù)中2015年和2016年30 000多條恐怖襲擊事件數(shù)據(jù),采用目前主流機(jī)器學(xué)習(xí)分類算法預(yù)測(cè)模型Bagging、決策樹(shù)(Decision Tree,DT)、隨機(jī)森林(Random Forest,RF)以及全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Network,FCNN),對(duì)一個(gè)或多個(gè)恐怖襲擊事件嫌疑人進(jìn)行預(yù)測(cè),并使用貝葉斯參數(shù)優(yōu)化策略對(duì)各預(yù)測(cè)模型的超參數(shù)進(jìn)行調(diào)節(jié),從而找到最佳的預(yù)測(cè)模型超參數(shù)。

1 問(wèn)題分析與數(shù)據(jù)收集

國(guó)內(nèi)外學(xué)者對(duì)恐怖分子的犯罪心理[19]、動(dòng)機(jī)特征[20]、發(fā)展特點(diǎn)等做了大量的定性研究。文獻(xiàn)[21]對(duì)當(dāng)代恐怖分子犯罪的目的和動(dòng)機(jī)、主體構(gòu)成、犯罪對(duì)象和結(jié)果以及犯罪手段進(jìn)行了深入的探討。然而這些定性分析的主觀因素較多,并不能展示一個(gè)直觀的結(jié)果。結(jié)合大量相關(guān)研究文獻(xiàn)對(duì)已有的恐怖組織和個(gè)人進(jìn)行詳細(xì)剖析,發(fā)現(xiàn)每次恐怖襲擊行為并不是任意的,而是有組織有目的的精心選擇,相同組織和個(gè)人的襲擊行為在一定程度上有著極大的關(guān)聯(lián)性。針對(duì)這一現(xiàn)象,將每次襲擊行為進(jìn)行量化處理,對(duì)恐怖事件特征進(jìn)行分析,根據(jù)已有的恐怖襲擊事件制造者去預(yù)測(cè)未知恐怖事件的組織和個(gè)人。

依據(jù)特征對(duì)未知事件進(jìn)行預(yù)測(cè)的方法有很多,機(jī)器學(xué)習(xí)算法是目前比較常見(jiàn)的一種。機(jī)器學(xué)習(xí)是一種關(guān)于研究“學(xué)習(xí)算法”的學(xué)問(wèn),依賴于已有數(shù)據(jù)建立模型算法,通過(guò)提供的經(jīng)驗(yàn)數(shù)據(jù),不斷學(xué)習(xí),找到最佳模型,在面對(duì)新的數(shù)據(jù)時(shí),已經(jīng)建立的模型會(huì)給出相應(yīng)的判斷[22]。本文研究的問(wèn)題是將未知組織和個(gè)人的恐怖事件貼上已知的類別標(biāo)簽,即分類算法問(wèn)題。依照機(jī)器學(xué)習(xí)的思想,將已有的恐怖事件特征數(shù)據(jù)輸入分類算法模型中進(jìn)行學(xué)習(xí),得到最佳模型后對(duì)未知的數(shù)據(jù)集進(jìn)行類別判斷,從而預(yù)測(cè)出可能的恐怖組織和個(gè)人。

本文使用的數(shù)據(jù)均來(lái)源于全球恐怖主義數(shù)據(jù)庫(kù)(GTD)。GTD是一個(gè)開(kāi)源數(shù)據(jù)庫(kù),是世界上目前最全面的非機(jī)密恐怖襲擊數(shù)據(jù)庫(kù),其包含1970年至今超過(guò)180 000次恐怖襲擊事件的信息。每條GTD事件包括至少45個(gè)變量的信息,最近的事件包括超過(guò)120個(gè)變量的信息。這些變量的信息主要包含事件發(fā)生的日期和地點(diǎn)、使用的武器、目標(biāo)的性質(zhì)、傷亡人數(shù)以及可識(shí)別的負(fù)責(zé)團(tuán)體或個(gè)人的信息等。本文在GTD中下載了2015年和2016年共發(fā)生的30 312起恐怖襲擊事件特征數(shù)據(jù)作為實(shí)驗(yàn)的信息支撐。

2 恐怖襲擊事件制造者預(yù)測(cè)模型

本文對(duì)下載數(shù)據(jù)進(jìn)行特征選擇后做標(biāo)準(zhǔn)化處理,將已經(jīng)預(yù)處理的數(shù)據(jù)按犯罪組織名稱或個(gè)人(gname)作為標(biāo)簽劃分?jǐn)?shù)據(jù)集。gname已知的作為訓(xùn)練集,未知的作為測(cè)試集。將訓(xùn)練集輸入各個(gè)分類算法模型中學(xué)習(xí)訓(xùn)練,找到最佳機(jī)器學(xué)習(xí)算法模型,并用其預(yù)測(cè)測(cè)試集,對(duì)測(cè)試集進(jìn)行分類并貼上標(biāo)簽?？植酪u擊事件制造嫌疑人預(yù)測(cè)流程如圖1所示。

圖1 恐怖襲擊事件嫌疑人預(yù)測(cè)流程

2.1 數(shù)據(jù)處理

2.1.1 預(yù)處理

本文根據(jù)事件相關(guān)屬性選取了12個(gè)特征。

1)事件發(fā)生的日期和地點(diǎn):即年(iyear)、月(imonth)、地區(qū)(region)、附近地區(qū)(vicinity)、緯度(latitude)和經(jīng)度(longitude)。其中,地區(qū)分為12類,每個(gè)類別如表1所示。

表1 地區(qū)類別

2)使用的武器和目標(biāo)的性質(zhì):即攻擊類型(attacktype1)、武器類型(weapontype1)、成功的攻擊(success)和目標(biāo)/受害者類型(targtype1)。其中,攻擊類型共9類,如表2所示,武器類型共13類,目標(biāo)/受害者類型共22類。

表2 攻擊類型

3)傷亡人數(shù):死亡總數(shù)(nkill)。

4)可識(shí)別的負(fù)責(zé)的團(tuán)體或個(gè)人的信息:聲稱負(fù)責(zé)(claimed)共有兩類,0表示沒(méi)有人聲稱對(duì)事件負(fù)責(zé),1表示一個(gè)組織或個(gè)人聲稱對(duì)襲擊負(fù)責(zé)。

本文選擇的特征數(shù)據(jù)包含不同的量綱,并且某些統(tǒng)一指標(biāo)的數(shù)量級(jí)差距過(guò)大,為了使表征不同屬性的特征有可比性,對(duì)其進(jìn)行無(wú)量綱處理。數(shù)據(jù)標(biāo)準(zhǔn)化處理(Normalization),即歸一化,可以保證各變量的變化幅度處于同一水平,使各指標(biāo)處于相同數(shù)量級(jí),從而消除數(shù)據(jù)之間數(shù)量級(jí)差距過(guò)大引起的誤差。本文選取的30 000多條數(shù)據(jù)中,死亡總數(shù)這一特征各數(shù)值之間的數(shù)量級(jí)差距過(guò)大,因此,將其進(jìn)行標(biāo)準(zhǔn)化處理。在機(jī)器學(xué)習(xí)分類問(wèn)題中,多數(shù)算法基于向量空間中的度量進(jìn)行計(jì)算,因此,特征之間的距離計(jì)算非常重要,而離散的特征值之間計(jì)算出的距離并不合理。為了使非偏序關(guān)系的變量取值不具有偏序性且到原點(diǎn)等距,本文采用one-hot編碼處理特征,具體特征為年、月、地區(qū)、附近地區(qū)、緯度、經(jīng)度、攻擊類型、武器類型、成功的攻擊、目標(biāo)/受害者類型以及聲稱負(fù)責(zé)。由于gname字段包含實(shí)施攻擊的組織的名稱,因此以gname列作為分類標(biāo)簽并將其定性特征轉(zhuǎn)換為定量特征。12個(gè)特征經(jīng)過(guò)歸一化和one-hot編碼處理后,生成了一個(gè)1×76維的輸入向量。

2.1.2 數(shù)據(jù)集劃分

在訓(xùn)練模型時(shí),首先將訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練樣本集和測(cè)試樣本集,分別用來(lái)訓(xùn)練模型參數(shù)和評(píng)價(jià)預(yù)測(cè)效果。由于對(duì)數(shù)據(jù)集的劃分會(huì)較大程度影響模型的預(yù)測(cè)結(jié)果,因此本文采用交叉驗(yàn)證策略來(lái)保證結(jié)果的穩(wěn)定性。交叉驗(yàn)證法是一種常見(jiàn)的數(shù)據(jù)劃分方法,它將數(shù)據(jù)集劃分為K個(gè)大小相似的互斥子集,從而得到K組訓(xùn)練集和測(cè)試集,進(jìn)而對(duì)模型進(jìn)行K次訓(xùn)練。

本文選擇K=10,即10折交叉驗(yàn)證。然而在10折交叉驗(yàn)證過(guò)程中,隨機(jī)劃分樣本可能導(dǎo)致在訓(xùn)練樣本集中不能包含所有類別的樣本,即訓(xùn)練樣本類別不全,且不同類別數(shù)據(jù)分布不勻。因此,本文對(duì)所有類別的事件個(gè)數(shù)分別進(jìn)行統(tǒng)計(jì),將統(tǒng)計(jì)的506個(gè)類分別按10折交叉驗(yàn)證的方法劃分至訓(xùn)練樣本集和測(cè)試樣本集,即改進(jìn)的10折交叉驗(yàn)證方法,如圖2所示。

圖2 改進(jìn)的10折交叉驗(yàn)證方法

2.2 機(jī)器學(xué)習(xí)分類模型

根據(jù)恐怖襲擊事件特征預(yù)測(cè)恐怖事件制造者屬于機(jī)器學(xué)習(xí)中的分類問(wèn)題,本文選擇機(jī)器學(xué)習(xí)中主流分類算法Bagging、DT、RF和FCNN對(duì)恐怖襲擊事件制造者進(jìn)行預(yù)測(cè),并對(duì)其性能進(jìn)行評(píng)估比較。

Bagging,也稱bootstrap aggregating,是并行式集成算法的代表[22]。集成學(xué)習(xí)的主要思路是先通過(guò)一定的規(guī)則生成多個(gè)學(xué)習(xí)器,然后通過(guò)對(duì)每個(gè)基分類器的預(yù)測(cè)結(jié)果投票來(lái)進(jìn)行分類,最后綜合判斷輸出分類結(jié)果。Bagging通過(guò)有放回的隨機(jī)采樣方法,得到n個(gè)含有m個(gè)訓(xùn)練樣本的數(shù)據(jù)集,將這n個(gè)采樣集分別送到n個(gè)基分類器中進(jìn)行學(xué)習(xí),并使用簡(jiǎn)單投票法對(duì)這n個(gè)分類器的預(yù)測(cè)結(jié)果進(jìn)行表決。

隨機(jī)森林[23]是在Bagging基礎(chǔ)上的一個(gè)擴(kuò)展,RF以決策樹(shù)為基分類器,并且在決策樹(shù)的訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇[22],增強(qiáng)了模型的泛化能力。

決策樹(shù)[24-26]是一種從無(wú)次序、無(wú)規(guī)則的訓(xùn)練樣本集中推理出決策樹(shù)表示形式的分類規(guī)則方法。它主要由根節(jié)點(diǎn)、父節(jié)點(diǎn)和子節(jié)點(diǎn)、葉節(jié)點(diǎn)組成,決策樹(shù)的生成過(guò)程包括構(gòu)樹(shù)和剪枝2個(gè)階段。

神經(jīng)網(wǎng)絡(luò)是多個(gè)神經(jīng)元按照一定的層次結(jié)構(gòu)連接的一種網(wǎng)絡(luò)結(jié)構(gòu)[22]。機(jī)器學(xué)習(xí)中涉及的人工神經(jīng)網(wǎng)絡(luò)是模擬生物學(xué)上的神經(jīng)網(wǎng)絡(luò),可將其視為包含許多參數(shù)的數(shù)學(xué)模型。根據(jù)KOHONEN于1988年的描述,神經(jīng)網(wǎng)絡(luò)可定義為由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò),其能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所做出的交互反應(yīng)。全連接是指神經(jīng)網(wǎng)絡(luò)的每層神經(jīng)元都與下一層神經(jīng)元全部連接,這種連接是神經(jīng)網(wǎng)絡(luò)最常見(jiàn)最基本的一種連接方式。通過(guò)三層神經(jīng)網(wǎng)絡(luò)可以擬合任意一種非線性函數(shù),具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)和泛化能力。

本文使用Python中scikit-learn[27]函數(shù)庫(kù)實(shí)現(xiàn)決策樹(shù)、隨機(jī)森林、Bagging分類器,利用Python中keras函數(shù)庫(kù)實(shí)現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)。

2.3 評(píng)價(jià)指標(biāo)

在使用機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)之后,需要對(duì)預(yù)測(cè)結(jié)果做出評(píng)價(jià)。本文采用的評(píng)價(jià)指標(biāo)為準(zhǔn)確率A、精度P、召回率R和F1值。其中,準(zhǔn)確率可以對(duì)預(yù)測(cè)結(jié)果做出直觀反映,精度和召回率在準(zhǔn)確率無(wú)法反映真實(shí)結(jié)果時(shí)對(duì)其做出補(bǔ)充。當(dāng)P值和R值出現(xiàn)矛盾時(shí),需要綜合考慮2個(gè)指標(biāo),即綜合評(píng)價(jià)指標(biāo)F1值。

(1)

(2)

(3)

(4)

其中,TP為真正例,TN為真反例,FP為假正例,FN為假反例。

2.4 超參數(shù)優(yōu)化

超參數(shù)[28-29]是機(jī)器學(xué)習(xí)模型中的框架參數(shù),是在開(kāi)始學(xué)習(xí)過(guò)程之前設(shè)置的參數(shù),而不是通過(guò)訓(xùn)練得到的參數(shù)數(shù)據(jù)。通常情況下,需要對(duì)超參數(shù)進(jìn)行優(yōu)化,給學(xué)習(xí)機(jī)選擇一組最優(yōu)超參數(shù),以提高學(xué)習(xí)的性能和效果。它們跟訓(xùn)練過(guò)程中學(xué)習(xí)的參數(shù)(權(quán)重)不同,通常手工設(shè)定,然后不斷試錯(cuò)調(diào)整,因此,大量的專家經(jīng)驗(yàn)必不可少。為了避免重復(fù)試錯(cuò)的過(guò)程,采用非參數(shù)學(xué)習(xí)自動(dòng)地優(yōu)化模型參數(shù)選擇。

貝葉斯優(yōu)化[30-32]通過(guò)對(duì)模型進(jìn)行擬合找到使獲取函數(shù)最大化的超參數(shù)配置,對(duì)該配置進(jìn)行評(píng)估,并重復(fù)這一過(guò)程。它是一種在沒(méi)有目標(biāo)函數(shù)的情況下根據(jù)已有的采樣點(diǎn)預(yù)估函數(shù)最大值的自動(dòng)尋優(yōu)算法。該算法假設(shè)函數(shù)符合高斯過(guò)程,其主要目標(biāo)為學(xué)習(xí)函數(shù)的形態(tài)和找到該函數(shù)的極值。本文輸入超參數(shù)配置,通過(guò)貝葉斯優(yōu)化算法對(duì)候選超參數(shù)配置進(jìn)行預(yù)測(cè),并且根據(jù)獲取函數(shù)評(píng)估每個(gè)候選預(yù)測(cè)的效用,從而找到適用于每個(gè)學(xué)習(xí)模型的最優(yōu)超參數(shù)。貝葉斯尋優(yōu)的實(shí)現(xiàn)使用了Python中的Sherpa[33]函數(shù)庫(kù)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的硬件平臺(tái)為Intel(R)Core(TM)i5-4200M CPU @2.50 GHz、4 GB內(nèi)存、1 000 GB硬盤以及Windows7操作系統(tǒng),軟件環(huán)境平臺(tái)為Python3.6、keras、Sherpa以及scikit-learn。

3.2 結(jié)果分析

在將數(shù)據(jù)輸入模型學(xué)習(xí)之前,使用貝葉斯優(yōu)化對(duì)4種機(jī)器學(xué)習(xí)算法分別進(jìn)行參數(shù)尋優(yōu)。

1)Bagging算法的最佳模型內(nèi)置參數(shù):基分類器76個(gè),最大特征數(shù)為61,最大樣例數(shù)為7 557。

2)隨機(jī)森林的最佳模型內(nèi)置參數(shù):基分類器51個(gè),最大特征數(shù)為50,葉節(jié)點(diǎn)最小樣本數(shù)為2。

3)決策樹(shù)的最佳模型內(nèi)置參數(shù):分裂所需最小樣本數(shù)為2,深度為30。

4)全連接神經(jīng)網(wǎng)絡(luò)的最佳模型內(nèi)置參數(shù):4個(gè)隱含層為全連接層,每層含118個(gè)神經(jīng)元,激活函數(shù)為Relu,2個(gè)池化層(Dropout)分別舍棄1/3的神經(jīng)元,輸出層激活函數(shù)為Softmax。

對(duì)2015年和2016年的數(shù)據(jù)預(yù)處理后,分別輸入4種分類算法中進(jìn)行比較。實(shí)驗(yàn)通過(guò)改進(jìn)的10折交叉驗(yàn)證分別訓(xùn)練10次,將每次訓(xùn)練的結(jié)果輸出保留,并且計(jì)算10次輸出結(jié)果的平均值,得到指標(biāo)對(duì)比結(jié)果如表3和圖3所示。

表3 4種算法預(yù)測(cè)結(jié)果

圖3 4種算法預(yù)測(cè)結(jié)果對(duì)比

從表3可以看到,Bagging算法預(yù)測(cè)精度最高,為0.911 0,其準(zhǔn)確率為0.906 5,綜合評(píng)價(jià)指標(biāo)F1值為0.899 8;其次是隨機(jī)森林,其精度也達(dá)到了0.903 8;再次為決策樹(shù)。由于這些算法都是基于樹(shù)模型的分類算法,因此在本文實(shí)驗(yàn)中基于樹(shù)模型的分類器預(yù)測(cè)精度都比較理想。

從圖3可以看出,FCNN的4個(gè)評(píng)價(jià)指標(biāo)中召回率較低,而精度較高。雖然精度和召回率的值越高越好,但是這2個(gè)指標(biāo)在某些場(chǎng)景下卻是互斥的,所以需要引進(jìn)一定的約束,即權(quán)衡兩者的F1值。FCNN的F1值高達(dá)0.825 3,說(shuō)明在召回率較低的情況下,該算法仍然比較理想。

基于樹(shù)的分類器精度固然比較高,但是也只能預(yù)測(cè)出相似度最高的一個(gè)結(jié)果,一旦出現(xiàn)誤判就沒(méi)有可供參考的其他選擇,因此,本文引入全連接神經(jīng)網(wǎng)絡(luò)。從表3可以看出,全連接神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度為0.877 8,也達(dá)到了比較理想的狀態(tài),并且能夠輸出每個(gè)結(jié)果的概率大小。這樣就可以在概率較大的前幾個(gè)結(jié)果中進(jìn)行排查,在一定的范圍內(nèi)鎖定恐怖襲擊犯罪嫌疑人。

4 結(jié)束語(yǔ)

本文比較Bagging、決策樹(shù)、隨機(jī)森林和全連接神經(jīng)網(wǎng)絡(luò)算法對(duì)恐怖襲擊事件嫌疑人進(jìn)行預(yù)測(cè)的結(jié)果。實(shí)驗(yàn)結(jié)果表明,基于樹(shù)的算法可信度較高,其中Bagging算法的預(yù)測(cè)精度最高,但當(dāng)出現(xiàn)誤判或漏判時(shí),該類算法只能輸出一個(gè)置信度最高的結(jié)果而無(wú)法給出其他選擇。全連接神經(jīng)網(wǎng)絡(luò)可以列出所有結(jié)果的可能性,并根據(jù)可能性大小,在排名靠前的結(jié)果中鎖定目標(biāo),其預(yù)測(cè)精度為87%左右。根據(jù)實(shí)驗(yàn)結(jié)果,可以先以Bagging算法鎖定頭號(hào)恐怖襲擊事件嫌疑人,再通過(guò)全連接神經(jīng)網(wǎng)絡(luò)算法在小范圍內(nèi)進(jìn)行逐一排查,從而對(duì)恐怖分子作出針對(duì)性的打擊。