基于本体的突发事件应急服务模型研究

通过研究本体理论,采用斯坦福大学医学院开发的七步法、本体构建工具(Protégé)和本体描述语言OWL,实现突发事件应急服务领域本体库的构建,研究突发事件应急服务本体模型(ESODM)对突发事件应急服务进行统一建模,有助于实现突发事件应急服务在语义级别上统一表达,从而使得突发事件应急服务信息具有计算机可以理解的语义,有助于解决不同应用之间的信息语义异构问题,有助于实现对突发事件应急服务信息资源的智能访问和检索,有助于解决语义层次上应急服务信息共享和交换等问题。     

应急响应中基于Web服务的全球IP地址信息系统

目前互联网上的Whois服务既没有一个联合的访问接口,也没有一个统一的数据模型。要调用这些服务很不方便,应用程序难以从提供的信息中提取数据;对网络安全应急响应来说所提供的信息也不足。文章从网络安全应急响应的需求出发,介绍了应急响应、Whois、Rwhois、WebServices等相关概念和技术,并分析目前Whois/Rwhois服务的现状,提出了一个统一的IP地址信息XML模型,以及一个面向应急响应的全球IP地址信息查询Web服务的实现方案。     

基于SUMO的应急组织本体模型及应用

应急组织是突发公共事件应急处置与指挥调度的核心.为了消除应急组织表达中的语义歧义,以SUMO为上位本体,构建了应急组织本体模型.用UML描述了该模型中的应急组织、应急资源和突发事件等概念及其之间的关系,详细分析了模型中的概念、关系、函数、公理和实例等5个本体要素,最后应用该模型对天津市突发公共事件总体应急预案的知识进行了表达,并运用该模型开发了应急预案管理系统原型.实验结果表明,该模型可以很好地表达应急组织相关概念及概念问的关系,消除了语义歧义.     

应急系统中不确定时态知识表示及其推理

在分析现有不确定信息表示模型基础上，提出了一种可扩展的时态知识表示模型，该模型对真实事件的间断性表示加以改进，进而讨论了应急决策知识库的构建方法和相应推理机制。实验数据表明，在原型系统中使用改进后的表示模型和推理方法，能够提高应急系统处理效率和决策方案的合理性。     

突发公共卫生事件的应急响应服务系统的分析与设计

阐述了贵州省疾病控制和预防中心目前阶段的工作成绩和存在的问题。在此基础上,设计了基于传染病学时空传播模型的突发公共卫生事件的应急响应服务系统。系统通过以事件驱动的服务动态整合机制,联合调度分布式的多种信息资源,进行多部门协同办案,为公共安全应急管理体系的建设提供了良好的技术支撑。     

基于多维大数据预测的应急灾备统筹救助系统研究

应急灾备统筹救助系统是基于应急管理部门的多维度大数据汇总、协同分析、快速决策的统筹规划管理平台。在面对地震和次生灾害等突发灾情时，通过大数据分析统计，进行救灾物资调配、人员工作协调、应急事件判断，并根据救灾物资需求的紧急程度及运输目标的最短路径分析，计算最高效的物资配送方法，提高运能及运输效率。通过NER模型，提取汇报信息关键字，迅速判断事件紧急程度，方便快速做出应急响应。该系统通过前后端分离的分布式架构，可以快速融合各行业数据，利用扩展算法接口，对各地区不同灾情进行预测和统计分析。     

复杂突发事件应急响应模型研究与仿真

研究突发事件应急模型的准确响应问题。针对当前的突发事件的属性越来越复杂,事件中的属性的描述特征也越来越多,导致当前的应急资源响应模型中对事件越来越复杂的多属性描述不精确。当前的突发事件响应模型过于依赖应急资源响应模型对事件的属性描述精度,一旦事件复杂,造成描述精度不高,将造成应急响应匹配准确度不高。为解决上述问题,提出了一种响应模糊概率算法的应急模型响应方法。提取突发事件的特征,建立突发事件与响应模型特征之间的映射联系。通过运算获取不同种类应急模型响应的模糊概率,从而实现应急模型响应。实验结果表明,改进算法能够有效提高应急模型响应的准确性。     

安全事件应急处理系统分析

从国内外现状出发，详细分析了安全事件应急处理系统在入侵监测、审计分析、事件响应、安全服务等方面的功能及特性需求，在此基础上提出了基于三层架构的应急处理系统结构模型，为系统的具体设计和实施提供了可行的操作框架。     

基于业务规则的应急驱动虚拟组织模型设计

针对突发事件中出现的数据存储分布、格式异构等问题,借助于新的事件.条件一行动.角色.方法.工具(ECARMT)规则,提出并设计一个基于业务规则的应急驱动虚拟组织模型.该模型具有3个分层结构:资源层、服务组合层和应用层,能够对分布在异构平台的信息与服务进行动态组合,从而满足高效事件处置的要求.最后,实现了一个城市应急联动中心的应急值班调度原型系统.     

论网络安全事件应急响应联动系统的构建

网络安全事件应急响应联动系统目的是:协调应急响应组织人力与信息等资源合作,应对网络安全事件。本文初步构建了网络安全事件应急响应联动系统模型,试图构建应急响应组的组织模式,提高应急预警及响应能力。     

基于双层CNN-BiGRU-CRF的事件因果关系抽取

针对现有事件因果关系抽取方法关系边界识别能力弱和文本语义表征不足的问题,提出一种基于双层CNN-BiGRU-CRF深度学习模型的事件因果关系抽取方法。将因果关系抽取任务转换为两次序列标注任务分别由两层CNN-BiGRU-CRF模型完成,上层模型用于识别事件因果关系语义角色词,其标注结果作为特征输入下层模型划分因果关系边界。在每层模型中,采用突发事件样本数据对BERT模型进行微调,形成文本表示模型以获取语义特征向量矩阵,利用卷积神经网络和双向门控循环单元分别提取局部和全局深层特征,并将上述特征在每个时间序列步进行线性加权融合以增强语义表征能力,最终基于残差思想将高区分度特征输入CRF模型解码完成序列标注任务。在中文突发事件语料集上的实验结果表明,与BiLSTM-Att-规则特征、GAN-BiGRU-CRF等因果关系抽取方法相比,该方法的事件因果关系抽取效果更好,F值达到91.81%,能有效实现事件因果关系的准确抽取。     

一个基于元数据导航的服务工作流装配模型

以城市应急处置业务作为应用背景,提出了一个工作流的分层概念模型和一个与之关联的元数据分层描述规范,在此基础上构建了一个基于元数据导航的、从高层的业务应用到底层的分布、动态资源的逐层绑定的运行机制,基于该机制实现了一个城市应急联动系统IERS(Integrated Emergency Response System)的实验原型．该机制解决了从应急处置业务工作流到底层分布服务和资源的装配问题,增强了应急系统对动态、分布服务环境的支持力度,提高了应急处置业务在执行过程中的自动化水平和自适应性,同时也分解和简化了工作流问题的复杂度．     

Extraction of MapReduce-based features from spectrograms for audio-based surveillance

In this paper, we proposed a novel parallel method for extraction of significant information from spectrograms using MapReduce programming model for the audio-based surveillance system, which effectively recognizes critical acoustic events in the surrounding environment. Extraction of reliable information as features from spectrograms of big noisy audio event dataset demands high computational time. Parallelizing the feature extraction using MapReduce programming model on Hadoop improves the efficiency of the overall system. The acoustic events with real-time background noise from Mivia lab audio event data set are used for surveillance applications. The proposed approach is time efficient and achieves high performance of recognizing critical acoustic events with the average recognition rate of 96.5% in different noisy conditions.     

基于CNN-BiGRU模型的事件触发词抽取方法

传统事件触发词抽取方法在特征提取过程中对自然语言处理工具产生过度依赖的方法,耗费大量人力,容易出现错误传播和数据稀疏性等问题。为此,提出采用CNN-BiGRU模型进行事件触发词抽取的方法。将词向量和位置向量进行拼接作为输入,提取词级别特征和句子全局特征,提高触发词抽取效果,并通过CNN提取词汇级别特征,利用BiGRU获取文本上下文语义信息。在ACE2005英文语料库和中文突发事件语料库CEC上的实验结果表明,该模型事件触发词识别F1值分别达到74.9%和79.29%,有效提升事件触发词的抽取性能。     

基于命名实体识别任务反馈增强的中文突发事件抽取方法

针对基于双向长短期记忆网络-条件随机场（BiLSTM-CRF）的事件抽取模型仅能获取字粒度语义信息,可学习特征维度较低致使模型上限低的问题,以开放领域的中文公共突发事件数据为研究对象,提出了一种基于命名实体识别任务反馈增强的中文突发事件抽取方法FB-Latiice-BiLSTM-CRF。首先,将Lattice（点阵）机制融合双向长短期记忆（BiLSTM）网络作为模型的共享层,获取句子中的词语语义特征;其次,增加命名实体识别辅助任务,以联合学习和挖掘实体语义信息,同时将命名实体识别任务的输出反馈到输入端,提取其中实体对应的分词结果作为Lattice机制的外输入,以减少该机制自组词数量大带来的运算负荷并进一步强化对实体语义特征的提取;最后,通过最大化同方差不确定性的最大高斯似然估计方法计算模型总损失,从而解决多任务联合学习产生的损失不平衡问题。实验结果表明,FB-Latiice-BiLSTM-CRF在测试集上的准确率达到81.25%,召回率达到76.50%,F1值达到78.80%,较基准模型分别提升7.63、4.41和5.95个百分点,验证了该方法对基准模型改进的有效性。     

面向事件处置的信息服务集成调度模型

以电子政务、电子商务等城市应用为背景,针对这些应用中跨领域事件处置所涉及的异构、分布式资源、服务集成调度以及跨领域知识共享问题,提出了一个面向事件处置的、基于规则的信息服务集成调度模型.该集成调度模型具有4个分层结构,包括资源层(resource layer)、知识层(knowledge layer)、业务层(business layer)和表示层(representation layer).重点就知识层形式化业务规则的定义、资源和服务的引用以及规则引擎等给出了详细的设计和实现.最后,对该模型进行了验证,实现了一个城市应急联动应用中的统一接警事件处置原型系统.     

基于约束满足问题的应急决策

针对如何快速、高效地生成应对突发事件处置方案的问题,提出一种基于约束满足问题(CSP)的应急决策方法。根据为应对突发事件而预先制定的应急预案,采用变量和约束来表示应急决策问题的对象和规则,构建应急决策模型,通过CSP的求解迅速生成满足约束规则的应急处置方案。以国家地震应急预案为例进行分析,结果证明了该方法在应急决策中的可行性。     

基于E2E DeepVAE-LSTM的轴承退化预测应用研究

针对额外提取数据特征的方法需要花费大量时间和人力成本,轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型（E2E Deep VAE-LSTM）用于轴承退化预测。通过改进VAE的结构,并结合LSTM,该模型可以在含有异常值的数据集上直接进行训练和预测;使用系统重建误差表征轴承退化趋势,实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明,E2E Deep VAE-LSTM模型可以得到满意的预测结果,预测精度均高于现有的几种AE类模型及其他几种方法,且具有良好的泛化能力和抗过拟合能力。     

入侵检测系统中一种通用数据存储模型

提出了一个适用于入侵检测系统的通用数据模型,并分析了该模型的存储结构及其在入侵检测领域中的应用。该模型用基特征和类特征的自然连接表示一类事件,采用二元存储结构,充分考虑到各类事件的共有特征和个体特征,解决了分布式入侵系统中事件的多样性问题。     

基于事件本体的突发事件领域知识建模

基于本体的知识建模方法有很多,在某些特定领域采用传统的本体建模方法存在着一些不足。以突发事件领域为例,提出了基于事件本体的知识建模方法。该模型分为上层事件类、下层事件类和事件实例,上层事件类描述的抽象的事件的分类体系,下层事件类是通过事件类关系组成的事件格结构。该模型不仅可以描述事件的时间、地点、对象等要素,还能描述事件类之间的关系。采用本体建模工具Protégé来构建突发事件领域本体,并以“恐怖袭击”作为实例验证了该模型的可用性。研究结果表明,该模型可以清晰地描述事件类的完整性,语义清晰,扩展性强。