基于K-prototype聚类算法恐怖分子嫌疑度的划分

发布时间：2024-02-25 21:32

　　当今,恐怖分子作案的多样性和复杂性给相关机构的破案大大增加了难度,如何迅速简便地发现隐藏的恐怖分子,是安全机构最为关心的问题。本文基于K-prototype聚类算法,依据恐怖事件发生的数据特征,运用SPSS软件对此数据进行标准化处理,得出恐怖分子典型事件的嫌疑度样例的特征向量,通过Python进行聚类分析,得到五类别聚类中心分布图。实验结果验证了方法的可行性与有效性,为安全机构对恐怖分子嫌疑度的划分提供了一种分析方法。

【文章页数】：5 页

【部分图文】：

图1恐怖分子关于典型事件的嫌疑度样例的特征向量

首先在样本数据中筛选出任务二给出的恐怖分子关于典型事件的10个样例所对应的数据，运用SPSS软件对此数据进行标准化处理，然后进行聚类分析，最后得出各个事件相对应的特征向量。恐怖分子关于典型事件10个样例的特征向量如图1所示，嫌疑程度判断框图如图2所示。图2嫌疑程度判断框图

图2嫌疑程度判断框图

图1恐怖分子关于典型事件的嫌疑度样例的特征向量在此基础上，筛选出近两年发生的、尚未有组织或个人宣称负责的恐怖袭击事件后，要选取影响恐怖分子关于嫌疑度的影响因素，这里选取的影响因素有:country,extended,crit1,crit2,crit3,doubtterr,suc....

图35类别聚类中心分布图

在此基础上，筛选出近两年发生的、尚未有组织或个人宣称负责的恐怖袭击事件后，要选取影响恐怖分子关于嫌疑度的影响因素，这里选取的影响因素有:country,extended,crit1,crit2,crit3,doubtterr,success,suicide,attacktype1....

本文编号：3910880