资料下载
×
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方法
消耗积分:1 |
格式:rar |
大小:0.81 MB |
2018-01-15
分享资料个
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一施密特独立标准和希尔伯特一施密特范数，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一施密特范数最大化，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1.5qo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。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
