支持向量机的构建方法

第２８卷第１１期管理评论Ｖｏｌ．２８，Ｎｏ．１１２０１６年１１月ＭａｎａｇｅｍｅｎｔＲｅｖｉｅｗＮｏｖ．，２０１６

基于支持向量机的治安高危人员风险预警方法

张　强１，２　何乐平１

（１．中国科学院大学经济与管理学院，北京１００１９０；２．江西省吉安市人民政府，吉安３４３０００）

摘要：随着社会经济快速发展，城市人口流动性增加，社会治安面临新的挑战。提高对治安高危

人员风险预警能力，有助于公安机关高效应对复杂多变的公共安全形势。本文采用支持向量机

构建风险预警模型，探求高危人员风险预警的可行方法，并进行实证分析。结果显示该方法对

治安高危人员风险预警效果显著，对公安机关的情报研判具有较高的实用性。关键词：治安高危人员；公共安全；风险预警；支持向量机

收稿日期：２０１６－０５－０９作者简介：张强，中国科学院大学经济与管理学院博士研究生；何乐平，中国科学院大学经济与管理学院博士研究生。引　言

当前我国正处于经济转轨、社会转型时期，治安管理的复杂性和艰巨性日益凸显，公共安全和治安秩序面

临新的挑战。其中，敌视社会人员、社会闲散人员、两劳（判刑、劳教）无业人员、吸毒贩毒人员、窜至外地的逃

犯等［１］治安高危人员因对社会稳定存有较高潜在威胁而被公安机关高度关注。从我国治安现状来看，治安

高危人员流窜作案、重复作案、职业作案等特征明显，甚至形成由同户籍地人员所构成的高危人群，对社会治

安构成很大威胁。有效预警并干预治安高危人员可能对社会造成的伤害，能够极大增强社会治安效果。犯罪

预防和侦查、制裁行动是警务干预不可偏废的两个方面，然而在实践中着重打击而轻预警的问题普遍，特别是

公安机关对治安高危人员的监管工作中存在情况掌握不清、漏管失控的情况，因此迫切需要在掌握治安高危

人员基本情况和行动轨迹的基础上，利用公安工作中积累的数据信息，推动警务干预模式的转型，对高危人员

的潜在犯罪行为实施有效风险预警和控制。

目前，公安机关在治安工作实践中积极运用信息开展重点人动态管控、重大案事件预警等警务干预，提高

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

模糊支持向量机隶属度的确定方法　

刘　畅，孙德山　

Ｌ１Ｕ　Ｃｈａｎｇ，ＳＵＮ　Ｄｅ—ｓｈａｎ　

辽宁师范大学数学学院，辽宁大连１１６０２９　

Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｍａｔｈ．．Ｌｉａｏｎｉｎｇ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ，Ｌｉａｏｎｉｎｇ　１　１　６０２９，Ｃｈｉｎａ　

Ｅ—ｍａｉｌ：ｃｈａｎｇ８３０７１２＠１６３．ｃｏｎ　

ＬＩＵ　Ｃｈａｎｇ。ＳＵＮ　Ｄｅ—ｓｈａｎ．Ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　ｍｅｍｂｅｒｓｈｉｐ　ｏｆ　Ｆｕｚｚｙ　ＳＶＭ・Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，　

２００８．４４（１１）：４１—４２．　

Ａｂｓｔｒａｃｔ：Ａｓ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ（ＳＶＭ）ｉｓ　ｓｅｎｓｉｔｉｖｅ　ｔｏ　ｔｈｅ　ｎｏｉｓｅｓ　ｏｒ　ｏｕｔｌｉｅｒｓ，Ｆｕｚｚｙ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ　

ｉｓ　ｉｎｔｒｏｄＵＣｅｄ，ｂｕｔ　ｔｈｅ　ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｆｕｚｚｙ　ｍｅｍｂｅｒｓｈｉｐ　ｉｓ　ａ　ｄｉｆｆｉｃｕｌｔｙ．Ｏｎｅ—ｃｌａｓｓ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｌｉｎｅａｒ　ｐｒｏｇｒａｍ—　

ｍｉｎｇ　ｉｓ　ｕｓｅｄ　ｔｏ　ｄｅｔｅｒｍｉｎｅ　ｆｕｚｚｙ　ｍｅｍｂｅｒｓｈｉｐ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｔｈｅｎ　ｔｈｅ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｍｅｍｂｅｒｓｈｉｐ　ｉｓ　ｇｉｖｅｎ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｄｉｆｆｅｒｅｎｔ　ｉｎ—　

Ｄｕｔ　ｄａｔａ　ａｆｆｅｃｔｓ　ｏｎ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒｅｓｕｉｔｓ．Ｓｏ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｅｆｆｅｃｔｉｖｅｌｙ　ｄｉｓｔｉｎｇｕｉｓｈｅｓ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｎｏｉｓｅｓ　ｏｒ　ｏｕｔｌｉｅｒｓ　ａｎｄ　ｔｈｅ　ｖａｌｉｄ　

- 1 - 支持向量机算法原理

支持向量机（SupportVectorMachine，SVM）是一种经典的机器学习算法，是指对二类分类问题，它可以确定一个最佳的线性决策边界，以最大限度地提高分类的准确率。它将分类任务转换为一个凸二次规划问题，然后使用核函数扩展到非线性情况。它被广泛应用于许多类型的学习任务，包括分类和回归。

1.持向量机的概念

所谓支持向量机，是指一种经典的机器学习算法，用于解决二分类问题。该算法总是朝着最大限度地改善结果的方向迭代，并将给定的数据集呈现为一个映射，以实现最佳的分类结果。支持向量机算法的主要思想是，在样本空间中，将数据用线性分割法分为两个独立的子空间，从而获得较高的分类准确率。

2.持向量机的数学原理

支持向量机的数学基础乃在于凸优化，它是在线性可分的情况下，使分类器的准确率最大化。支持向量机算法可以将分类问题转换为一个凸二次规划问题，以求得最优解。在这个规划问题中，我们要求最小化一个函数，使得能够将样本以最佳方式分开，以确定决策边界。它需要求解最优化问题中的最大间隔，故而也被称之为最大间隔分类器，把这个问题的最优解称为支持向量（Support Vector）。

3.持向量机的分类

a.性可分支持向量机：是用于解决线性可分的二分类问题的支持向量机，其中只有两个分类器，我们可以使用给定的数据集来找到一 - 2 - 个线性分类器，这样就可以将样本点映射到不同的类。

b.性不可分支持向量机：是针对线性不可分的二分类问题的支持向量机，我们可以使用核函数将线性不可分的问题扩展到高维来获得线性可分的形式，这种类型的支持向量机也是使用类似的求解方法来构建的，但是通过将线性不可分的问题扩展到高维，它可以更好地描述数据。

c.分类支持向量机：是一种多类支持向量机，它可以用于解决多个分类问题，它可以用于分类要素的多分类以及多个分类分量的情况，这是一种非常有用的技术，在主机器学习任务中得到了广泛应用。

- 1 - 支持向量机算法原理

支持向量机（SupportVectorMachine，简称 SVM）是一种常用的机器学习技术，具有准确率高、泛化能力强等特点，广泛应用于分类、回归和其他科学领域中。本文将介绍支持向量机的基本原理及其应用场景，以及支持向量机算法的基本思想和工作流程。

1.支持向量机的基本原理

支持向量机是一种基于统计学习方法的机器学习技术，它可以帮助机器学习任务快速有效地解决复杂问题，是一种建模技术，可以建立实际场景下各种问题的非线性模型。支持向量机的基本原理有三要素：决策边界，结构风险最小化和核函数。

所谓决策边界，就是根据输入的特征数据，构建一个最优决策边界，使得分类精度更高。结构风险最小化是支持向量机建模过程中的一种重要思想，主要是在模型的构建过程中，关注模型的泛化能力，而不是拟合精度，而是关注最终模型的全局拟合能力，从而达到最小化结构风险的目的。核函数是支持向量机技术中最为重要的一项机制，它可以将非线性可分的问题转换为线性可分的问题，极大地提高了支持向量机的适用范围和准确度。

2.支持向量机的应用场景

支持向量机在工业上有广泛的应用。常见的应用场景有二元分类、多元分类、回归和异常检测等。

二元分类是指建立一个可以将样本划分为两类的决策边界，通常用来解决疾病分类、股票市场分析等问题。多元分类是指模型可以将 - 2 - 样本分为多个类别，常用于文本分类和语音识别中。回归是指根据输入数据，构建一个可以预测结果的模型，应用场景比较广泛，包括天气预报、价格预测等问题。异常检测，是指根据训练数据，构建一个可以检测异常事件的模型，比如检测网络安全异常、垃圾邮件等。

3.支持向量机算法的基本思想和工作流程

支持向量机算法的基本思想是从训练数据中，找到能够最大程度区分两类数据的超平面，又称分类边界。在训练过程中，支持向量机算法会试图找到一个约束条件下，最大化决策边界距离两类样本点最大化的决策边界，以此来最小化模型的结构风险。