|本期目录/Table of Contents|

[1]杜梦星,王彦伟*.基于CNN的突发事件预警系统的设计与实现[J].武汉工程大学学报,2020,42(02):207-212.[doi:10.19843/j.cnki.CN42-1779/TQ.201910016]
　DU Mengxing,WANG Yanwei*.Design and Implementation of Emergency Warning System Based on Convolution Neural Network[J].Journal of Wuhan Institute of Technology,2020,42(02):207-212.[doi:10.19843/j.cnki.CN42-1779/TQ.201910016]
点击复制

基于CNN的突发事件预警系统的设计与实现(/HTML)
分享到：

《武汉工程大学学报》[ISSN:1674-2869/CN:42-1779/TQ]

卷:
42
期数:
2020年02期
页码:
207-212
栏目:
机电与信息工程
出版日期:
2021-01-26

文章信息/Info

Title:
Design and Implementation of Emergency Warning System Based on Convolution Neural Network
文章编号:
1674 - 2869（2020）02 - 0207 - 06
作者:
杜梦星; 王彦伟*
武汉工程大学机电工程学院，湖北 武汉 430205
Author(s):
DU Mengxing;  WANG Yanwei*
School of Mechanical and Electrical Engineering， Wuhan Institute of Technology， Wuhan 430205， China
关键词:
突发事件; 威胁预警; 卷积神经网络; 数据分析; 数据可视化
Keywords:
emergency;  threat warning;  convolution network;  data analysis;  data visualization
分类号:
TP311
DOI:
10.19843/j.cnki.CN42-1779/TQ.201910016
文献标志码:
A
摘要:
为提高城市恐怖威胁突发事件的监测预警效率，设计了一套基于改进型卷积神经网络（CNN）的恐怖威胁预警系统。系统对采集的恐怖威胁突发事件进行威胁度评估。相对于现有文本评估方法，提出结合改进型词频-逆文本频率的卷积神经网络用于评估威胁和监测预警。并通过对研判期间内事件的威胁度分析，划分了恐怖威胁等级。通过数据的可视化实现为相关部门提供监测预警信息。模型对比测试和实际运行结果表明，该系统相比于已有的CNN模型及区域型卷积神经网络（RCNN）模型，综合评估的精确度分别提升了5.4%和3%。
Abstract:
To improve the monitoring and early warning efficiency of urban terrorist threat emergencies， we designed a terror threat early warning system based on improved convolutional neural network （CNN）. The system evaluates the threat degree of the collected terrorist threat emergencies. Compared with the existing text evaluation methods， a convolutional neural network based on the improved word frequency-inverse text frequency was proposed to evaluate threats and monitor early warning. Through the analysis of the threat degree of the events during the period of the study， the terror threat degree was divided， which can provide monitoring and early warning information for relevant departments through data visualization. Compared with the existing CNN model and region convolutional neural network model， the comprehensive evaluation accuracy of the system is improved by 5.4% and 3%， respectively.

参考文献/References:

［1］　韩萍，王杰，贾云飞，等. 民航恐怖威胁信息预警系统的设计与实现［J］. 中国民航大学学报，2007，10（5）：36-40. ［2］　王起全，李鹏昇. 基于大数据的大型活动拥挤踩踏事故预警分析研究［J］. 中国安全生产科学技术， 2017，13（12）：59- 65. ［3］　周洁，许丽佳. 基于大数据的城市突发事件监测预警系统研究［J］. 信息通信，2019（1）：201-202. ［4］　董孝政， 宋睿， 洪宇，等. 基于多模型的新闻标题分类［J］. 中文信息学报， 2018，32（10）：69-77. ［5］　YU K， JIA L， CHEN Y Q， et al. Deep learning：yesterday ，today and tomorrow［J］. Journal of Computer Research and Development， 2013，50（9）： 1799 -1804. ［6］　谭咏梅， 刘姝雯， 吕学强. 基于CNN与双向LSTM的中文文本蕴含识别方法［J］. 中文信息学报， 2018，32（7）：11- 19. ［7］　KALCHBRENNER N， GREFENSTETTE E， BLUNSOM P. A convolutional neural network for modeling sentences ［J］. Eprint Arxiv，2014，52：655-665. ［8］　ZHANG X， ZHAO J B， LECUN Y. Character-level convolutional networks for text classification［J］. Arxiv， 2016， 3：1-9. ［9］　谢金宝， 侯永进， 康守强，等. 基于语义理解注意力神经网络的多元特征融合中文文本分类［J］. 电子与信息学报. 2018，40（5）：1259-1265. ［10］　魏世孝，周献中. 多属性决策理论方法及其在CI系统中的应用［M］. 北京：国防工业出版社，1998. ［11］　MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space［J］. Computer Science，2013，29：3111-3119. ［12］　王根生， 黄学坚. 基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型［J］. 小型微型计算机系统. 2019，40（5）：1120-1126. ［13］　张绮琦， 张树群， 雷兆宜. 基于改进的卷积神经网络的中文情感分类［J］. 计算机工程与应用， 2017，53（22）： 111-115. ［14］　蓝雯飞， 徐蔚， 王涛. 基于卷积神经网络的中文新闻文本分类［J］. 中南民族大学学报， 2018，37（1）：138 -143. ［15］　LATENGFEI L， SHUANGYUAN Y， BAOMIN X，et al. Recurrent networks with attention and convolutional networks for sentence representation and classification［J］. Applied Intelligence，2018，43：3797-3806.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2019-10-15基金项目：国家自然科学基金（51375186）；湖北省教育厅重点科研项目（D20161507）作者简介：杜梦星，硕士研究生。E-mail：svipdmx@sina.com*通讯作者：王彦伟，博士，教授。E-mail：ywwang.cad@gmail.com引文格式：杜梦星，王彦伟. 基于CNN的突发事件预警系统的设计与实现［J］. 武汉工程大学学报，2020，42（2）：207-212.
更新日期/Last Update: 2020-06-20