数据样本有限的交通恐怖袭击行为识别

作者：杨黎霞; 许茂增; 陈仁祥

来源：中国安全科学学报, 2021, 31(08): 30-37.

DOI：10.16265/j.cnki.issn1003-3033.2021.08.005

• 样本有限
• 交通恐怖袭击
• 行为识别
• 数据增强
• 深度神经网络(DNN)

为解决交通恐怖袭击行为识别时数据样本有限,难以满足深度神经网络(DNN)对海量训练数据的需求,提出数据增强深度学习的样本有限条件下交通恐怖袭击行为识别方法。首先,设计数据增强策略与方法,获得足够的训练样本;其次,在训练时使用原训练样本和增强训练样本计算代价函数,以抑制过拟合,提高鲁棒性;然后,堆栈多个稀疏自编码(SAE)并添加分类层,构建DNN,对增强后的训练样本进行逐层自学习和有监督反向微调,将特征提取与模式识别融为一体,准确识别袭击行为;最后,通过全球恐怖主义数据库(GTD)数据进行算例分析。结果表明:在有限交通恐怖袭击事件数据样本下,数据增强深度学习算法的特征提取能力和识别结果较对比算法得以提升,识别的平均准确率可达98.75%。

• 单位
  重庆交通大学