蓄意攻击样本有限不均衡下运输系统关键危险源识别

针对蓄意攻击样本有限不均衡而引起无法有效识别关键危险源少数类样本的问题,提出多分类器集成加权均衡分布适配的关键危险源识别方法.首先,在保证少数类样本被充分选择的前提下随机抽取多数类样本,构成源域多样本训练集合,在目标域上直接预测伪标签并给样本赋予不同的权重,让少数类样本可以得到充分的训练;然后,训练源域样本集的分类器,经过多次迭代优化目标域伪标签并更新权重矩阵;最后,通过多分类器集成的策略将筛选出的基分类器集成为强分类器,采用宏平均和微平均两个评价指标来评价分类器的识别性能.利用全球恐怖主义数据库(GTD)中的数据进行实验验证,实验结果表明所提出方法在保证了整体精度的同时能有效识别少数类样本.