[论文解读] Terrorism Event Classification Using Fuzzy Inference Systems

Uraiwan Inyaem, Choochart Haruechaiyasak+2 more|arXiv (Cornell University)|Apr 11, 2010

Network Security and Intrusion Detection参考文献 16被引用 9

一句话总结

本文提出了一种使用模糊推理系统（FIS）和自适应神经模糊推理系统（ANFIS）的恐怖主义事件分类框架，以提高泰国南部省份的预测准确性。通过利用结构化数据，ANFIS 在自动学习规则和隶属度函数方面优于标准 FIS，借助神经网络自适应能力，实现了更高的分类准确率。

ABSTRACT

Terrorism has led to many problems in Thai societies, not only property damage but also civilian casualties. Predicting terrorism activities in advance can help prepare and manage risk from sabotage by these activities. This paper proposes a framework focusing on event classification in terrorism domain using fuzzy inference systems (FISs). Each FIS is a decision-making model combining fuzzy logic and approximate reasoning. It is generated in five main parts: the input interface, the fuzzification interface, knowledge base unit, decision making unit and output defuzzification interface. Adaptive neuro-fuzzy inference system (ANFIS) is a FIS model adapted by combining the fuzzy logic and neural network. The ANFIS utilizes automatic identification of fuzzy logic rules and adjustment of membership function (MF). Moreover, neural network can directly learn from data set to construct fuzzy logic rules and MF implemented in various applications. FIS settings are evaluated based on two comparisons. The first evaluation is the comparison between unstructured and structured events using the same FIS setting. The second comparison is the model settings between FIS and ANFIS for classifying structured events. The data set consists of news articles related to terrorism events in three southern provinces of Thailand. The experimental results show that the classification performance of the FIS resulting from structured events achieves satisfactory accuracy and is better than the unstructured events. In addition, the classification of structured events using ANFIS gives higher performance than the events using only FIS in the prediction of terrorism events.

研究动机与目标

• 为解决在泰国受冲突影响地区对恐怖主义事件进行分类的挑战。
• 利用模糊逻辑开发一种决策框架，以实现对恐怖主义事件的准确分类。
• 评估 FIS 和 ANFIS 在结构化与非结构化事件数据上的性能表现。
• 通过数据驱动的模糊规则和隶属度函数优化，提升风险预测能力。

提出的方法

• 该框架采用五部分 FIS 架构：输入接口、模糊化接口、知识库、决策单元和输出去模糊化。
• 模糊推理系统利用模糊逻辑和近似推理，将输入事件映射到分类结果。
• ANFIS 将神经网络与模糊逻辑相结合，能够从训练数据中自动识别模糊规则并调整隶属度函数。
• 系统在泰国南部三个省份的恐怖主义相关新闻文章数据集上进行训练和评估。
• 通过比较 FIS 和 ANFIS 在结构化与非结构化事件数据上的分类准确率来评估性能。
• 在 ANFIS 中，通过反向传播和混合学习动态调整知识库，以优化分类性能。

实验结果

研究问题

• RQ1 FIS 在结构化与非结构化恐怖主义事件上的分类准确率有何差异？
• RQ2 ANFIS 是否能在恐怖主义事件预测中提升分类性能，优于标准 FIS？
• RQ3 数据结构在多大程度上影响模糊推理模型在恐怖主义分类中的有效性？
• RQ4 ANFIS 能在多大程度上从现实世界恐怖主义事件数据中学习并适应模糊规则与隶属度函数？

主要发现

• FIS 模型在结构化事件上的分类准确率高于非结构化事件。
• ANFIS 在分类结构化恐怖主义事件方面优于标准 FIS，表现出更强的预测能力。
• 使用结构化数据显著提升了 FIS 和 ANFIS 模型的性能。
• ANFIS 通过数据驱动训练成功学习了模糊规则并优化了隶属度函数，从而实现了更好的泛化能力。
• 该框架在冲突地区展示了实时恐怖主义风险评估的实际应用潜力。
• 本研究证实，像 ANFIS 这样的混合 FIS-NN 模型在恐怖主义事件分类等复杂且不确定的领域中具有有效性。