CN115099636B - 基于复杂网络理论的文物安防系统效能评估方法和系统 - Google Patents
基于复杂网络理论的文物安防系统效能评估方法和系统 Download PDFInfo
- Publication number
- CN115099636B CN115099636B CN202210746518.4A CN202210746518A CN115099636B CN 115099636 B CN115099636 B CN 115099636B CN 202210746518 A CN202210746518 A CN 202210746518A CN 115099636 B CN115099636 B CN 115099636B
- Authority
- CN
- China
- Prior art keywords
- security
- node
- structure diagram
- nodes
- security node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000010586 diagram Methods 0.000 claims abstract description 125
- 239000011159 matrix material Substances 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000003012 network analysis Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000007123 defense Effects 0.000 claims description 23
- 238000012876 topography Methods 0.000 claims description 22
- 238000011160 research Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013329 compounding Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于复杂网络理论的文物安防系统效能评估方法,包括:获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图,并根据该安防节点抽象关系结构图构建邻接矩阵,根据安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值,对安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果。本发明能够解决现有基于安防节点信源熵方法由于在信源熵难以获得时,无法对安防节点效能防护值进行完整、灵活的评估,最终降低效能评估准确性的技术问题。
Description
技术领域
本发明属于文物安全防范技术领域,更具体地,涉及一种基于复杂网络理论的文物安防系统效能评估方法和系统。
背景技术
文物建筑是古代民风民俗、艺术、文化、审美观的重要载体。近年来,文物安全事件频发,安全防范案例急剧增大,文物安全防范系统工程项目数量、投资额也快速增长。然而大量案例表明,安全防范系统建设与应用中不断暴露的问题,严重制约了治安防控能力建设投入上的费用-效能比:如一些安全防范系统因设计或安装或使用不当,存有防范漏洞甚至形同虚设;一些安全防范系统因人防、物防、技防脱节,形成不了一个有机的防范整体,致使其防范作用难以有效发挥等,为了保证文物安全防范活动健康持续蓬勃开展,迫切需要建立科学的安全防范系统,适时地、准确客观地对安防网络的多防护能力实施评价。
早期的安防系统效能研究,主要是围绕安防系统整体评估,采用管理科学的一些手段,从防护对象、防护设施装备、部署位置等维度对安防系统状态变量进行效能影响因子提取研究,但安防系统是一个结构复杂的人、物、技有机结合的系统,从管理科学的角度出发的方法不能对安防系统的效能防护值进行科学、客观的表示和度量。
现今的安防系统效能评估多为基于安防节点信源熵的评估方法,其通过对组成安防系统的安防节点进行效能防护值计算,以此得到安防系统的效能防护值。
然而,上述基于安防节点信源熵的评估方法仍存在一些不可忽略的缺陷:首先,此类效能评估方法的数据难以获得,该类方法通过效能因子的概率进行信源熵的计算,但实际应用中,这些概率往往受到众多因素影响而难以获得,这会导致该系统效能评估精度低;其次,此类效能评估方法没有考虑到不同位置的安防节点对于安防系统的影响程度不同的问题,潜在的将安防节点与安防系统之间的关系割裂开来,仅通过相互独立的安防节点来描述该安防系统的效能防护值,这会导致该安防系统效能评估不够全面的技术问题;最后,这类方法没有考虑安防节点间的现实场景与抽象网络相结合的问题,由于实际情况中安防节点之间的距离、部署方位等因素往往会对安防系统的效能防护值有着很大的影响,同时安防节点之间还存在着效能相互补充的实际情况,忽略这些问题会导致评估结果不符合现实场景、不准确。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于复杂网络理论的文物安防系统效能评估方法和系统,其目的在于,解决现有基于安防节点信源熵方法由于在信源熵难以获得时,无法对安防节点效能防护值进行完整、灵活的评估,最终降低效能评估准确性的技术问题,以及由于仅通过相互独立的安防节点来描述系统效能,过于将安防节点和安防系统的关系割裂开来,导致安防系统效能评估不够全面的技术问题,以及由于在将现实场景抽象成安防节点网络时,对现实场景中能影响安防节点效能防护值的因素考虑过少,导致效能评估结果不准确的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于复杂网络理论的文物安防系统效能评估方法,包括以下步骤:
(1)获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点(即安防系统中所有具有安防能力的设备和设施,比如具有探测、监控功能的摄像头,以及保安执勤的大门等)的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图G=(H,E),并根据该安防节点抽象关系结构图构建邻接矩阵,其中H表示安防系统中所有安防节点的集合,E表示边的集合,每条边表示安防系统中任意两个安防节点之间的实际连接关系。
(2)根据步骤(1)中获取的安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值。
(3)对步骤(1)中得到的安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果,对获取的复杂网络分析结果进行主成分分析,以得到该安防节点抽象关系结构图G中每个安防节点对于安防系统的重要性,并将其与步骤(2)得到的安防节点效能防护值进行复合,以得到该安防系统中所有安防节点的综合效能防护值。
(4)根据步骤(1)中获取到的布防位置信息、空间地理位置以及步骤 (3)中得到的安防系统中所有安防节点的综合效能防护值更新邻接矩阵A,并使用更新后的邻接矩阵A′获取边权重更新后的安防节点抽象关系结构图。
(5)利用最短路径算法对步骤(4)中获得的边权重更新后的安防节点抽象关系结构图G进行最短路径求解,以得到该安防系统的综合效能防护值最薄弱路径,从而实现文物安防系统效能的评估。
优选地,步骤(1)中根据安防节点抽象关系结构图构建邻接矩阵具体为:对安防系统中所有的安防节点进行编号1到N,其中N为该安防系统中的安防节点总数,然后对于其中任意两个安防节点o和q而言,其中 o和q均∈[1,N],如果这两个安防节点之间存在实际连接关系,则邻接矩阵中第o行第q列的元素Aoq=1,否则为0,这样就可以得到维度为 N·N的邻接矩阵A。
优选地,步骤(2)包括以下子步骤:
(2-1)将预先构建的递阶层次指标体系发送给国内外安全防范研究领域中相关专家学者,以获取其对递阶层次指标体系的多个打分结果,并利用层次分析法对所有打分结果进行计算,以得到递阶层次指标体系中各底层指标项的权重值,所有底层指标项的权重值构成递阶层次指标体系的权重矩阵W=[W1,W2,W3,…Wm]T,其中Wl表示递阶层次指标体系中第l个底层指标项的权重值,m表示递阶层次指标体系中的底层指标项总数,且有l∈ [1,m]。
(2-2)获取安防节点抽象关系结构图G中的第一个安防节点f,根据递阶层次指标体系对步骤(1)中获取的安防系统设备运行信息和历史统计信息进行数据选择,以得到安防节点f在递阶层次指标体系中对应的各底层指标项中的原始数据。
(2-3)获取安防节点f在递阶层次指标体系中对应的第一个底层指标项,在预先构建的递阶层次指标体系隶属度规则中进行匹配,以得到该第一个底层指标项对应的隶属度规则,然后按照该隶属度规则对该第一个底层指标项中的原始数据进行处理,以得到安防节点f在递阶层次指标体系中第一个底层指标项的隶属度。
(2-4)针对递阶层次指标体系中的剩余底层指标项而言,重复上述步骤(2-3),从而得到安防节点f在递阶层次指标体系中每个底层指标项的隶属度,所有隶属度构成安防节点f的隶属度矩阵Pf=[Pf1,Pf2,Pf3,…Pfm],Pfl表示安防节点f在递阶层次指标体系中第l个底层指标项的隶属度,且有l∈ [1,m]。
(2-5)根据步骤(2-1)得到的递阶层次指标体系的权重矩阵W和步骤 (2-2)计算得到的关于安防节点f的隶属度矩阵P,获取安防节点f的效能防护值。
计算公式如下:
(2-6)针对安防节点抽象关系结构图G中剩余的安防节点,重复上述步骤(2-2)至(2-5),直到剩余的所有安防节点都被处理完毕为止,从而得到安防节点抽象关系结构图G中每个安防节点的效能防护值,所有安防节点的效能防护值构成矩阵V=[V1,V2,V3,…Vn],其中n表示安防节点抽象关系结构图G中安防节点的总数。
优选地,步骤(3)包括以下子步骤:
(3-1)从安防节点抽象关系结构图G中选择第一个安防节点t,对安防节点t进行复杂网络分析,以得到安防节点t在安防节点抽象关系结构图 G中的复杂网络指标集合;
(3-2)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-1),直到所有安防节点都处理完毕为止,从而得到安防节点抽象关系结构图G中所有安防节点的复杂网络指标集合,并根据所有安防节点的复杂网络指标集合构建安防网络节点评估矩阵X=(xij)n·p,p为复杂网络指标数,xij为第i个安防节点的第j个复杂网络指标,有i∈[1,n],j∈[1,p]。
(3-3)对步骤(3-2)得到的安防网络节点评估矩阵X进行标准化,以得到标准化矩阵Z=(zij)n·p;
(3-4)根据步骤(3-3)得到的标准化矩阵Z获取相关矩阵R=(rij)p·p,
(3-5)获取步骤(3-4)得到的相关矩阵R中的特征值λ1,λ2,λ3…λp及其对应的特征向量u1,u2,u3…,up,其中λ1≥λ2≥λ3…λp≥0,并根据特征向量组成p个新的指标变量y1,y2,y3…,yp;
其中uj=(u1j,u2j,…upj)T,表示安防网络节点评估矩阵X中各个列代表的指标变量合成的向量。
(3-6)根据步骤(3-5)得到的特征值与特征向量获取对应的信息贡献率bh和累计贡献率ah,其中h∈[1,p];
(3-7)判断步骤(3-6)得到的累计贡献率ah是否均大于预设阈值,如果是则选择前h个指标变量y1,y2,...yh作为主成分指标变量,然后进入步骤(3-8),否则使用p个指标变量y1,y2,...yp作为主成分指标变量,然后进入步骤(3-8);
(3-8)获取步骤(3-7)中得到的所有主成分指标变量(其数量表示为 F,其中F等于p或者h),并根据步骤(3-5)中得到的特征值λ1,λ2,λ3…λp、以及步骤(3-6)中得到的信息贡献率bh,获取复杂网络指标集合中各复杂网络指标的权重所构成的权重矩阵Wweight=[wweight1,wweight2,wweight3…wweightp]。
(3-9)根据步骤(3-8)中获得的权重矩阵Wweight以及步骤(3-2)得到的安防网络节点评估矩阵X,获取每个安防节点对于安防系统的重要性 {S1,S2,S3…Sn},所有安防节点的重要性构成重要性集合S。
(3-10)从安防节点抽象关系结构图G中选择第一个安防节点d,根据步骤(3-9)中计算得到的该安防节点d对于安防系统的重要性S和步骤(2) 中计算得到的安防节点d的效能防护值V,获取该安防节点的综合效能防护值V′,具体计算公式如下:
V'd=Sd×Vd
(3-11)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-10),直到所有安防节点都处理完毕为止,以得到该安防系统中所有安防节点的综合效能防护值。
优选地,步骤(3-1)中安防节点t在安防节点抽象关系结构图G中的复杂网络指标集合包括p个复杂网络指标(其中p为自然数),复杂网络指标可以是安防节点t的节点度Kt、安防节点t的介数C(t)、安防节点t的效率损失系数E(t)、以及网络效率E中的一个或多个。
步骤(3-1)中的计算公式如下:
其中i和g为安防节点抽象关系结构图G中任意两个不同的安防节点,H为安防节点抽象关系结构图G中所有安防节点构成的集合;
Kt表示安防节点t的节点度,ait表示在安防节点抽象关系结构图G中与安防节点t直接连接的安防节点i;
C(t)为安防节点t的介数;δig为安防节点抽象关系结构图G中安防节点i与安防节点g之间的最短路径数,δig(t)为安防节点抽象关系结构图G 中安防节点i与安防节点g之间且经过安防节点t的最短路径数;
E为网络效率,dig为安防节点抽象关系结构图G中安防节点i与安防节点g间的最短路径长度;
E(t)为安防节点t的效率损失系数,Et为去掉安防节点t后安防节点抽象关系结构图G的网络效率。
优选地,步骤(3-3)中的计算公式为:
表示安防节点抽象关系结构图G中所有安防节点的第j个复杂网络指标的平均值,sj表示安防节点抽象关系结构图G中所有安防节点的第j 个复杂网络指标的标准差;
步骤(3-4)中的计算公式为:
步骤(3-6)中的计算公式为:
优选地,步骤(3-8)中的计算公式为:
Fδβ表示第δ个主成分指标变量内的第β个元素,其中δ∈(1,F),β∈ (1,p);
步骤(3-9)中的计算公式为:
优选地,步骤(4)包括以下子步骤:
(4-1)将预先构建的综合地形因子赋值规则发送给国内外安全防范研究领域中相关专家学者,以获取其对综合地形因子赋值规则的多个打分结果,并利用模糊综合评价法对所有打分结果进行计算,以地形因子所占权重 a;
(4-2)根据步骤(1)中获取到的布防位置信息、空间地理位置对步骤(1)中得到的邻接矩阵A进行更新,以获取安防节点抽象关系结构图G中任意两个不相同的安防节点o和q之间的条件因素Coq,其中o和q均∈[1, N];
(4-3)从安防节点抽象关系结构图G中选择一条边Eoq(其连接安防节点o和q),根据步骤(3)中获得的安防节点o和q的综合效能防护值、步骤(4-1)中计算出来的影响权重a,以及步骤(4-2)得到的条件因素Coq获取边Eoq的权重Ew;
(4-4)针对安防节点抽象关系结构图G中的剩余边,重复上述步骤 (4-3),直到安防节点抽象关系结构图G中的所有剩余边都处理完毕为止,以得到边权重更新后的安防节点抽象关系结构图G=(H,E)。
优选地,步骤(4-2)中更新邻接矩阵具体为:对于安防节点抽象关系结构图G中任意两个不相同的安防节点o和q而言,如果这两个安防节点之间存在实际连接关系,并且此关系在空间地理位置上有存在地形、地势等影响因素,则令邻接矩阵A中第o行第q列的元素Aoq=Coq,否则为0,以得到更新后的维度为N·N的邻接矩阵A′,其中Coq表示安防节点o与安防节点q之间边的实际场景条件因素;
步骤(4-3)中的计算公式如下:
Ew=a×Coq+(1-a)×0.5×(V'o+V'q)
其中V′o和V′q分别表示步骤(3)中求得的第o个和第q个安防节点对于该安防网络的综合效能防护值,a表示地形因子所占权重。
按照本发明的另一方面,提供了一种基于复杂网络理论的文物安防系统效能评估系统,包括:
第一模块,用于获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图G=(H,E),并根据该安防节点抽象关系结构图构建邻接矩阵,其中H表示安防系统中所有安防节点的集合,E表示边的集合,每条边表示安防系统中任意两个安防节点之间的实际连接关系;
第二模块,用于根据第一模块获取的安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值;
第三模块,用于对第一模块得到的安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果,对获取的复杂网络分析结果进行主成分分析,以得到该安防节点抽象关系结构图G中每个安防节点对于安防系统的重要性,并将其与第二模块得到的安防节点效能防护值进行复合,以得到该安防系统中所有安防节点的综合效能防护值。
第四模块,用于根据第一模块获取到的布防位置信息、空间地理位置以及第三模块得到的安防系统中所有安防节点的综合效能防护值更新邻接矩阵A,并使用更新后的邻接矩阵A′获取边权重更新后的安防节点抽象关系结构图;
第五模块,用于利用最短路径算法对第四模块获得的边权重更新后的安防节点抽象关系结构图G进行最短路径求解,以得到该安防系统的综合效能防护值最薄弱路径,从而实现文物安防系统效能的评估。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、由于本发明在安防节点效能防护值计算过程中采用了步骤(2),其根据安防系统效能评估指标项设计隶属度规则,并通过层次分析法计算各指标项权重。因此,能够解决现有方法在无法获取事件概率时,导致模型在评估过程中出现数据缺失,并最终降低系统效能评估精度的技术问题。
2、由于本发明在对抽象网络中安防节点和安防系统之间的关系进行分析时采用了步骤(3),其通过引入复杂网络理论的思想,对网络结构进行剖析,根据安防节点之间的实际连接情况与抽象网络的整体分布,通过复杂网络理论描述出不同位置的安防节点对于整个安防系统的重要程度,因此能够解决现有方法中将安防节点与安防系统之间的关系过于割裂,导致系统效能评估不够全面的技术问题。
3、由于本发明在生成安防节点网络中采用了步骤(4),其通过将现实场景中两安防节点之间的路径长度、路况等因素作为影响因子,并根据模糊综合评价法计算其影响程度大小,将其与安防节点的综合效能防护值一同作为抽象网络内部边的权重因素之一,因此能够解决现有方法在对安防节点网络进行路径分析时对于现实场景考虑太少,导致得出的评估结果不准确的技术问题。
附图说明
图1是本发明基于复杂网络理论的文物安防系统效能评估方法和系统的流程示意图;
图2是本发明安防节点抽象关系结构图G的示意图;
图3是本发明递阶层次指标体系的示意图;
图4是本发明递阶层次指标体系隶属度规则的示意图;
图5是本发明综合地形因子赋值规则的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一种基于复杂网络理论的文物安防系统效能评估方法,包括以下步骤:
(1)获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点(即安防系统中所有具有安防能力的设备和设施,比如具有探测、监控功能的摄像头,以及保安执勤的大门等)的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图G=(H,E)(如图2所示),并根据该安防节点抽象关系结构图构建邻接矩阵,其中H表示安防系统中所有安防节点的集合,E表示边的集合,每条边表示安防系统中任意两个安防节点之间的实际连接关系。
本步骤中根据安防节点抽象关系结构图构建邻接矩阵具体为:对安防系统中所有的安防节点进行编号(1到N,其中N为该安防系统中的安防节点总数),然后对于其中任意两个安防节点o和q而言(其中o和q均∈[1,N]),如果这两个安防节点之间存在实际连接关系,则邻接矩阵中第 o行第q列的元素Aoq=1,否则为0,这样就可以得到维度为N·N的邻接矩阵A。
(2)根据步骤(1)中获取的安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值。
本步骤包括以下子步骤:
(2-1)将预先构建的递阶层次指标体系发送给国内外安全防范研究领域中相关专家学者,以获取其对递阶层次指标体系的多个打分结果,并利用层次分析法对所有打分结果进行计算,以得到递阶层次指标体系中各底层指标项的权重值,所有底层指标项的权重值构成递阶层次指标体系的权重矩阵W=[W1,W2,W3,…Wm]T,其中Wl表示递阶层次指标体系中第l个底层指标项的权重值,m表示递阶层次指标体系中的底层指标项总数,且有l∈ [1,m]。
具体而言,本步骤是根据《安全防范工程技术标准》GB50348-2018中安防系统的定义和工作机理的描述深入分析安防系统防护能力的各个组成要素和它们之间的关系,选取具有代表性、可比性的评估指标,使之能够全面综合地表征被评对象的总体效能。目前,结合国内外安全防范研究领域中相关专家学者的研究成果构建递阶层次指标体系结构图(如图3所示)。递阶层次的最上层为“安防系统总的防护效能”,其可以从人防、物防、技防三个方面进行分析,故第二层的准则定义为“人防能力”、“物防能力”、“技防能力”。第三层和第四层为各防护能力需要考虑的各个基本要素,通过这些基本要素,可以直接将递阶层次指标体系与现实场景连接起来。
(2-2)获取安防节点抽象关系结构图G中的第一个安防节点f,根据递阶层次指标体系对步骤(1)中获取的安防系统设备运行信息和历史统计信息进行数据选择,以得到安防节点f在递阶层次指标体系中对应的各底层指标项中的原始数据。
(2-3)获取安防节点f在递阶层次指标体系中对应的第一个底层指标项,在预先构建的递阶层次指标体系隶属度规则(如图4所示)中进行匹配,以得到该第一个底层指标项对应的隶属度规则,然后按照该隶属度规则对该第一个底层指标项中的原始数据进行处理,以得到安防节点f在递阶层次指标体系中第一个底层指标项的隶属度。
(2-4)针对递阶层次指标体系中的剩余底层指标项而言,重复上述步骤(2-3),从而得到安防节点f在递阶层次指标体系中每个底层指标项的隶属度,所有隶属度构成安防节点f的隶属度矩阵Pf=[Pf1,Pf2,Pf3,…Pfm],Pfl表示安防节点f在递阶层次指标体系中第l个底层指标项的隶属度,且有l∈ [1,m]。
具体而言,本步骤是根据《博物馆和文物保护单位安全防范系统要求》GBT16571-2012文件中对安防系统人力防范、实体防范、技术防范的具体要求构建递阶层次指标体系隶属度规则。
本步骤(2-4)的优点在于,通过设计递阶层次指标体系隶属度规则解决在隶属度计算时主观打分干预过多的问题,还可解决现今方法在进行风险熵计算时因无法获取事件概率而造成评估数据缺失的问题。
(2-5)根据步骤(2-1)得到的递阶层次指标体系的权重矩阵W和步骤 (2-2)计算得到的关于安防节点f的隶属度矩阵P,获取安防节点f的效能防护值。
计算公式如下:
(2-6)针对安防节点抽象关系结构图G中剩余的安防节点,重复上述步骤(2-2)至(2-5),直到剩余的所有安防节点都被处理完毕为止,从而得到安防节点抽象关系结构图G中每个安防节点的效能防护值,所有安防节点的效能防护值构成矩阵V=[V1,V2,V3,…Vn],其中n表示安防节点抽象关系结构图G中安防节点的总数。
(3)对步骤(1)中得到的安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果,对获取的复杂网络分析结果进行主成分分析,以得到该安防节点抽象关系结构图G中每个安防节点对于安防系统的重要性,并将其与步骤(2)得到的安防节点效能防护值进行复合,以得到该安防系统中所有安防节点的综合效能防护值。
本步骤包括以下子步骤:
(3-1)从安防节点抽象关系结构图G中选择第一个安防节点t,对安防节点t进行复杂网络分析,以得到安防节点t在安防节点抽象关系结构图 G中的复杂网络指标集合;
具体而言,安防节点t在安防节点抽象关系结构图G中的复杂网络指标集合包括p个复杂网络指标(其中p为自然数),复杂网络指标可以是安防节点t的节点度Kt、安防节点t的介数C(t)、安防节点t的效率损失系数 E(t)、以及网络效率E中的一个或多个。
具体而言,本步骤中的计算公式如下:
其中i和g为安防节点抽象关系结构图G中任意两个不同的安防节点,H为安防节点抽象关系结构图G中所有安防节点构成的集合;
Kt表示安防节点t的节点度,ait表示在安防节点抽象关系结构图G中与安防节点t直接连接的安防节点i;
C(t)为安防节点t的介数;δig为安防节点抽象关系结构图G中安防节点i与安防节点g之间的最短路径数,δig(t)为安防节点抽象关系结构图G 中安防节点i与安防节点g之间且经过安防节点t的最短路径数;
E为网络效率,dig为安防节点抽象关系结构图G中安防节点i与安防节点g间的最短路径长度;
E(t)为安防节点t的效率损失系数,Et为去掉安防节点t后安防节点抽象关系结构图G的网络效率。
本步骤(3-1)的优点在于,通过复杂网络理论来分析安防节点抽象关系结构图G,可以在原本相互独立的安防节点之间产生联系。
(3-2)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-1),直到所有安防节点都处理完毕为止,从而得到安防节点抽象关系结构图G中所有安防节点的复杂网络指标集合,并根据所有安防节点的复杂网络指标集合构建安防网络节点评估矩阵X=(xij)n·p,p为复杂网络指标数,xij为第i个安防节点的第j个复杂网络指标,有i∈[1,n],j∈[1,p]。
(3-3)对步骤(3-2)得到的安防网络节点评估矩阵X进行标准化,以得到标准化矩阵Z=(zij)n·p;其中
表示安防节点抽象关系结构图G中所有安防节点的第j个复杂网络指标的平均值,sj表示安防节点抽象关系结构图G中所有安防节点的第j 个复杂网络指标的标准差。
(3-4)根据步骤(3-3)得到的标准化矩阵Z获取相关矩阵R=(rij)p·p,
具体而言,本步骤的计算公式为:
(3-5)获取步骤(3-4)得到的相关矩阵R中的特征值λ1,λ2,λ3…λp及其对应的特征向量u1,u2,u3…,up,其中λ1≥λ2≥λ3…λp≥0,并根据特征向量组成p个新的指标变量y1,y2,y3…,yp;
其中uj=(u1j,u2j,…upj)T,表示安防网络节点评估矩阵X中各个列代表的指标变量合成的向量。
(3-6)根据步骤(3-5)得到的特征值与特征向量获取对应的信息贡献率bh和累计贡献率ah,其中h∈[1,p];
具体而言,本步骤是采用以下公式计算:
(3-7)判断步骤(3-6)得到的累计贡献率ah是否均大于预设阈值,如果是则选择前h个指标变量y1,y2,...yh作为主成分指标变量,然后进入步骤(3-8),否则使用p个指标变量y1,y2,...yp作为主成分指标变量,然后进入步骤(3-8);
具体而言,为在损失信息不多和减少变量的条件下使新变量综合信息能力最强,确定在ah大于0.85时选择前h个指标变量y1,y2,...yh作为主成分指标变量,代替原来的p个指标变量;若ah小于0.85,则说明无法用新变量表示原始变量的绝大多数信息,故仍然使用原来的p个指标变量。
(3-8)获取步骤(3-7)中得到的所有主成分指标变量(其数量表示为 F,其中F等于p或者h),并根据步骤(3-5)中得到的特征值λ1,λ2,λ3…λp、以及步骤(3-6)中得到的信息贡献率bh,获取复杂网络指标集合中各复杂网络指标的权重所构成的权重矩阵Wweight=[wweight1,wweight2,wweight3…wweightp]。
具体而言,本步骤中的计算公式为:
Fδβ表示第δ个主成分指标变量内的第β个元素,其中δ∈(1,F),β∈(1,p)。
(3-9)根据步骤(3-8)中获得的权重矩阵Wweight以及步骤(3-2)得到的安防网络节点评估矩阵X,获取每个安防节点对于安防系统的重要性 {S1,S2,S3…Sn},所有安防节点的重要性构成重要性集合S。
具体而言,本步骤中的计算公式为:
(3-10)从安防节点抽象关系结构图G中选择第一个安防节点d,根据步骤(3-9)中计算得到的该安防节点d对于安防系统的重要性S和步骤(2) 中计算得到的安防节点d的效能防护值V,获取该安防节点的综合效能防护值V′。
计算公式如下:
V'd=Sd×Vd
(3-11)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-10),直到所有安防节点都处理完毕为止,以得到该安防系统中所有安防节点的综合效能防护值。
上述步骤(3-2)到(3-11)的优点在于,通过主成分分析法对安防网络节点评估矩阵进行降维分析,可以去除影响较小的指标项,保持指标的信息最大化,在对降维后的主成分求权重并加权计算后可以得到安防节点的重要性,因此能够解决现有方法中将安防节点与安防系统之间的关系过于割裂,导致系统效能评估不够全面的技术问题。
(4)根据步骤(1)中获取到的布防位置信息、空间地理位置以及步骤 (3)中得到的安防系统中所有安防节点的综合效能防护值更新邻接矩阵A,并使用更新后的邻接矩阵A′获取边权重更新后的安防节点抽象关系结构图。
本步骤包括以下子步骤:
(4-1)将预先构建的综合地形因子赋值规则(如图5所示)发送给国内外安全防范研究领域中相关专家学者,以获取其对综合地形因子赋值规则的多个打分结果,并利用模糊综合评价法对所有打分结果进行计算,以地形因子所占权重a。
具体而言,本步骤是结合已有的案例,对文物安防系统外部所处环境进行大包围研究,包括文物所处位置、地理地貌、道路交通,提取关键风险源,以构建出综合地形因子赋值规则;
(4-2)根据步骤(1)中获取到的布防位置信息、空间地理位置对步骤 (1)中得到的邻接矩阵A进行更新,以获取安防节点抽象关系结构图G中任意两个不相同的安防节点o和q之间的条件因素Coq,其中o和q均∈[1, N];
具体而言,本步骤中更新邻接矩阵具体为:对于安防节点抽象关系结构图G中任意两个不相同的安防节点o和q而言,如果这两个安防节点之间存在实际连接关系,并且此关系在空间地理位置上有存在地形、地势等影响因素,则令邻接矩阵A中第o行第q列的元素Aoq=Coq(其中Coq表示安防节点o与安防节点q之间边的实际场景条件因素),否则为0,以得到更新后的维度为N·N的邻接矩阵A′。
(4-3)从安防节点抽象关系结构图G中选择一条边Eoq(其连接安防节点o和q),根据步骤(3)中获得的安防节点o和q的综合效能防护值、步骤(4-1)中计算出来的影响权重a,以及步骤(4-2)得到的条件因素Coq获取边Eoq的权重Ew。
计算公式如下:
Ew=a×Coq+(1-a)×0.5×(V'o+V'q)
V′o和V′q分别表示步骤(3)中求得的第o个和第q个安防节点对于该安防网络的综合效能防护值,a表示地形因子所占权重。
上述步骤(4-2)和(4-3)的优点在于,引入现实场景中两安防节点之间的地形、地势影响因素,将其与安防节点的综合效能防护值一同作为抽象网络内部边的权重因素之一,解决了现有方法在对安防节点网络进行路径分析时过于理想、对于现实场景考虑太少,导致得出的评估结果不准确的技术问题。
(4-4)针对安防节点抽象关系结构图G中的剩余边,重复上述步骤 (4-3),直到安防节点抽象关系结构图G中的所有剩余边都处理完毕为止,以得到边权重更新后的安防节点抽象关系结构图G=(H,E)。
(5)利用最短路径算法对步骤(4)中获得的边权重更新后的安防节点抽象关系结构图G进行最短路径求解,以得到该安防系统的综合效能防护值最薄弱路径,从而实现文物安防系统效能的评估。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于复杂网络理论的文物安防系统效能评估方法,其特征在于,包括以下步骤:
(1)获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图G=(H,E),并根据该安防节点抽象关系结构图构建邻接矩阵,其中H表示安防系统中所有安防节点的集合,E表示边的集合,每条边表示安防系统中任意两个安防节点之间的实际连接关系;
(2)根据步骤(1)中获取的安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值;
(3)对步骤(1)中得到的安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果,对获取的复杂网络分析结果进行主成分分析,以得到该安防节点抽象关系结构图G中每个安防节点对于安防系统的重要性,并将其与步骤(2)得到的安防节点效能防护值进行复合,以得到该安防系统中所有安防节点的综合效能防护值;
(4)根据步骤(1)中获取到的布防位置信息、空间地理位置以及步骤(3)中得到的安防系统中所有安防节点的综合效能防护值更新邻接矩阵A,并使用更新后的邻接矩阵A′获取边权重更新后的安防节点抽象关系结构图;步骤(4)包括以下子步骤:
(4-1)将预先构建的综合地形因子赋值规则发送给国内外安全防范研究领域中相关专家学者,以获取其对综合地形因子赋值规则的多个打分结果,并利用模糊综合评价法对所有打分结果进行计算,以获取地形因子所占权重a;
(4-2)根据步骤(1)中获取到的布防位置信息、空间地理位置对步骤(1)中得到的邻接矩阵A进行更新,以获取安防节点抽象关系结构图G中任意两个不相同的安防节点o和q之间的条件因素Coq,其中o和q均∈[1,N];
(4-3)从安防节点抽象关系结构图G中选择一条边Eoq,根据步骤(3)中获得的安防节点o和q的综合效能防护值、步骤(4-1)中计算出来的地形因子所占权重a,以及步骤(4-2)得到的条件因素Coq获取边Eoq的权重Ew,其中边Eoq连接安防节点o和q;
(4-4)针对安防节点抽象关系结构图G中的剩余边,重复上述步骤(4-3),直到安防节点抽象关系结构图G中的所有剩余边都处理完毕为止,以得到边权重更新后的安防节点抽象关系结构图G=(H,E);
(5)利用最短路径算法对步骤(4)中获得的边权重更新后的安防节点抽象关系结构图G进行最短路径求解,以得到该安防系统的综合效能防护值最薄弱路径,从而实现文物安防系统效能的评估。
2.根据权利要求1所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,步骤(1)中根据安防节点抽象关系结构图构建邻接矩阵具体为:对安防系统中所有的安防节点进行编号1到N,其中N为该安防系统中的安防节点总数,然后对于其中任意两个安防节点o和q而言,其中o和q均∈[1,N],如果这两个安防节点之间存在实际连接关系,则邻接矩阵中第o行第q列的元素Aoq=1,否则为0,这样就得到维度为N·N的邻接矩阵A。
3.根据权利要求2所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,步骤(2)包括以下子步骤:
(2-1)将预先构建的递阶层次指标体系发送给国内外安全防范研究领域中相关专家学者,以获取其对递阶层次指标体系的多个打分结果,并利用层次分析法对所有打分结果进行计算,以得到递阶层次指标体系中各底层指标项的权重值,所有底层指标项的权重值构成递阶层次指标体系的权重矩阵W=[W1,W2,W3,…Wm]T,其中Wl表示递阶层次指标体系中第l个底层指标项的权重值,m表示递阶层次指标体系中的底层指标项总数,且有l∈[1,m];
(2-2)获取安防节点抽象关系结构图G中的第一个安防节点f,根据递阶层次指标体系对步骤(1)中获取的安防系统设备运行信息和历史统计信息进行数据选择,以得到安防节点f在递阶层次指标体系中对应的各底层指标项中的原始数据;
(2-3)获取安防节点f在递阶层次指标体系中对应的第一个底层指标项,在预先构建的递阶层次指标体系隶属度规则中进行匹配,以得到该第一个底层指标项对应的隶属度规则,然后按照该隶属度规则对该第一个底层指标项中的原始数据进行处理,以得到安防节点f在递阶层次指标体系中第一个底层指标项的隶属度;
(2-4)针对递阶层次指标体系中的剩余底层指标项而言,重复上述步骤(2-3),从而得到安防节点f在递阶层次指标体系中每个底层指标项的隶属度,所有隶属度构成安防节点f的隶属度矩阵Pf=[Pf1,Pf2,Pf3,…Pfm],Pfl表示安防节点f在递阶层次指标体系中第l个底层指标项的隶属度,且有l∈[1,m];
(2-5)根据步骤(2-1)得到的递阶层次指标体系的权重矩阵W和步骤(2-2)计算得到的关于安防节点f的隶属度矩阵P,获取安防节点f的效能防护值;
计算公式如下:
(2-6)针对安防节点抽象关系结构图G中剩余的安防节点,重复上述步骤(2-2)至(2-5),直到剩余的所有安防节点都被处理完毕为止,从而得到安防节点抽象关系结构图G中每个安防节点的效能防护值,所有安防节点的效能防护值构成矩阵V=[V1,V2,V3,…Vn],其中n表示安防节点抽象关系结构图G中安防节点的总数。
4.根据权利要求3所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,步骤(3)包括以下子步骤:
(3-1)从安防节点抽象关系结构图G中选择第一个安防节点t,对安防节点t进行复杂网络分析,以得到安防节点t在安防节点抽象关系结构图G中的复杂网络指标集合;
(3-2)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-1),直到所有安防节点都处理完毕为止,从而得到安防节点抽象关系结构图G中所有安防节点的复杂网络指标集合,并根据所有安防节点的复杂网络指标集合构建安防网络节点评估矩阵X=(xij)n·p,p为复杂网络指标数,xij为第i个安防节点的第j个复杂网络指标,有i∈[1,n],j∈[1,p];
(3-3)对步骤(3-2)得到的安防网络节点评估矩阵X进行标准化,以得到标准化矩阵Z=(zij)n·p;
(3-4)根据步骤(3-3)得到的标准化矩阵Z获取相关矩阵R=(rij)p·p,
(3-5)获取步骤(3-4)得到的相关矩阵R中的特征值λ1,λ2,λ3···λp及其对应的特征向量u1,u2,u3···,up,其中λ1≥λ2≥λ3···λp≥0,并根据特征向量组成p个新的指标变量y1,y2,y3···,yp;
其中uj=(u1j,u2j,···upj)T, 表示安防网络节点评估矩阵X中各个列代表的指标变量合成的向量;
(3-6)根据步骤(3-5)得到的特征值与特征向量获取对应的信息贡献率bh和累计贡献率ah,其中h∈[1,p];
(3-7)判断步骤(3-6)得到的累计贡献率ah是否均大于预设阈值,如果是则选择前h个指标变量y1,y2,...yh作为主成分指标变量,然后进入步骤(3-8),否则使用p个指标变量y1,y2,...yp作为主成分指标变量,然后进入步骤(3-8);
(3-8)获取步骤(3-7)中得到的所有主成分指标变量,并根据步骤(3-5)中得到的特征值λ1,λ2,λ3···λp、以及步骤(3-6)中得到的信息贡献率bh,获取复杂网络指标集合中各复杂网络指标的权重所构成的权重矩阵Wweight=[wweight1,wweight2,wweight3…wweightp];
(3-9)根据步骤(3-8)中获得的权重矩阵Wweight以及步骤(3-2)得到的安防网络节点评估矩阵X,获取每个安防节点对于安防系统的重要性{S1,S2,S3…Sn},所有安防节点的重要性构成重要性集合S;
(3-10)从安防节点抽象关系结构图G中选择第一个安防节点d,根据步骤(3-9)中计算得到的该安防节点d对于安防系统的重要性S和步骤(2)中计算得到的安防节点d的效能防护值V,获取该安防节点的综合效能防护值V′,具体计算公式如下:
V′d=Sd×Vd
(3-11)针对安防节点抽象关系结构图G中的剩余安防节点,重复上述步骤(3-10),直到所有安防节点都处理完毕为止,以得到该安防系统中所有安防节点的综合效能防护值。
5.根据权利要求4所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,
步骤(3-1)中安防节点t在安防节点抽象关系结构图G中的复杂网络指标集合包括p个复杂网络指标,复杂网络指标是安防节点t的节点度Kt、安防节点t的介数C(t)、安防节点t的效率损失系数E(t)、以及网络效率E中的一个或多个,其中p为自然数;
步骤(3-1)中的计算公式如下:
其中i和g为安防节点抽象关系结构图G中任意两个不同的安防节点,H为安防节点抽象关系结构图G中所有安防节点构成的集合;
Kt表示安防节点t的节点度,ait表示在安防节点抽象关系结构图G中与安防节点t直接连接的安防节点i;
C(t)为安防节点t的介数;δig为安防节点抽象关系结构图G中安防节点i与安防节点g之间的最短路径数,δig(t)为安防节点抽象关系结构图G中安防节点i与安防节点g之间且经过安防节点t的最短路径数;
E为网络效率,dig为安防节点抽象关系结构图G中安防节点i与安防节点g间的最短路径长度;
E(t)为安防节点t的效率损失系数,Et为去掉安防节点t后安防节点抽象关系结构图G的网络效率。
6.根据权利要求5所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,
步骤(3-3)中的计算公式为:
表示安防节点抽象关系结构图G中所有安防节点的第j个复杂网络指标的平均值,sj表示安防节点抽象关系结构图G中所有安防节点的第j个复杂网络指标的标准差;
步骤(3-4)中的计算公式为:
步骤(3-6)中的计算公式为:
7.根据权利要求6所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,
步骤(3-8)中的计算公式为:
Fδβ表示第δ个主成分指标变量内的第β个元素,其中δ∈(1,F),β∈(1,p);
步骤(3-9)中的计算公式为:
8.根据权利要求7所述的基于复杂网络理论的文物安防系统效能评估方法,其特征在于,
步骤(4-2)中更新邻接矩阵具体为:对于安防节点抽象关系结构图G中任意两个不相同的安防节点o和q而言,如果这两个安防节点之间存在实际连接关系,并且此关系在空间地理位置上有存在地形、地势影响因素,则令邻接矩阵A中第o行第q列的元素Aoq=Coq,否则为0,以得到更新后的维度为N·N的邻接矩阵A′,其中Coq表示安防节点o与安防节点q之间边的实际场景条件因素;
步骤(4-3)中的计算公式如下:
Ew=a×Coq+(1-a)×0.5×(V'o+V'q)
其中Vo′和Vq′分别表示步骤(3)中求得的第o个和第q个安防节点对于该安防网络的综合效能防护值,a表示地形因子所占权重。
9.一种基于复杂网络理论的文物安防系统效能评估系统,其特征在于,包括:
第一模块,用于获取安防系统的布防位置信息、设备运行信息、空间地理位置、周边环境信息、以及历史统计信息,根据布防位置信息中提供的安防系统中所有安防节点的位置、以及安防节点之间的连接关系构建安防节点抽象关系结构图G=(H,E),并根据该安防节点抽象关系结构图构建邻接矩阵,其中H表示安防系统中所有安防节点的集合,E表示边的集合,每条边表示安防系统中任意两个安防节点之间的实际连接关系;
第二模块,用于根据第一模块获取的安防系统的设备运行信息和历史统计信息计算该安防系统中所有安防节点的效能防护值;
第三模块,用于对第一模块得到的安防节点抽象关系结构图G进行复杂网络分析,以获取复杂网络分析结果,对获取的复杂网络分析结果进行主成分分析,以得到该安防节点抽象关系结构图G中每个安防节点对于安防系统的重要性,并将其与第二模块得到的安防节点效能防护值进行复合,以得到该安防系统中所有安防节点的综合效能防护值;
第四模块,用于根据第一模块获取到的布防位置信息、空间地理位置以及第三模块得到的安防系统中所有安防节点的综合效能防护值更新邻接矩阵A,并使用更新后的邻接矩阵A′获取边权重更新后的安防节点抽象关系结构图;第四模块包括以下子模块:
第一子模块,用于将预先构建的综合地形因子赋值规则发送给国内外安全防范研究领域中相关专家学者,以获取其对综合地形因子赋值规则的多个打分结果,并利用模糊综合评价法对所有打分结果进行计算,以获取地形因子所占权重a;
第二子模块,用于根据第一模块获取到的布防位置信息、空间地理位置对第一模块得到的邻接矩阵A进行更新,以获取安防节点抽象关系结构图G中任意两个不相同的安防节点o和q之间的条件因素Coq,其中o和q均∈[1,N];
第三子模块,用于从安防节点抽象关系结构图G中选择一条边Eoq,根据第三模块获得的安防节点o和q的综合效能防护值、第一子模块计算出来的地形因子所占权重a,以及第二子模块得到的条件因素Coq获取边Eoq的权重Ew,其中边Eoq连接安防节点o和q;
第四子模块,用于针对安防节点抽象关系结构图G中的剩余边,重复上述第三子模块,直到安防节点抽象关系结构图G中的所有剩余边都处理完毕为止,以得到边权重更新后的安防节点抽象关系结构图G=(H,E);
第五模块,用于利用最短路径算法对第四模块获得的边权重更新后的安防节点抽象关系结构图G进行最短路径求解,以得到该安防系统的综合效能防护值最薄弱路径,从而实现文物安防系统效能的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746518.4A CN115099636B (zh) | 2022-06-27 | 2022-06-27 | 基于复杂网络理论的文物安防系统效能评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746518.4A CN115099636B (zh) | 2022-06-27 | 2022-06-27 | 基于复杂网络理论的文物安防系统效能评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099636A CN115099636A (zh) | 2022-09-23 |
CN115099636B true CN115099636B (zh) | 2023-10-31 |
Family
ID=83294115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746518.4A Active CN115099636B (zh) | 2022-06-27 | 2022-06-27 | 基于复杂网络理论的文物安防系统效能评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099636B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782942A (zh) * | 2010-01-21 | 2010-07-21 | 武汉大学 | 多节点多防护能力的防护效能评估系统 |
JP2010231528A (ja) * | 2009-03-27 | 2010-10-14 | Kddi Corp | 秘匿性評価値の計算装置、計算方法、及び計算用プログラム |
CN103809542A (zh) * | 2012-11-14 | 2014-05-21 | 无锡津天阳激光电子有限公司 | 一种社区安防物联网方法与装置 |
US9078153B1 (en) * | 2014-10-31 | 2015-07-07 | Quantenna Communications, Inc. | Wireless local area network with spatial diagnostics |
CN108205868A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园防火防盗智能监控管理系统 |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN111242211A (zh) * | 2020-01-13 | 2020-06-05 | 中南民族大学 | 一种田野文物保护系统中的地下入侵信号识别方法和系统 |
CN113554323A (zh) * | 2021-07-28 | 2021-10-26 | 河北工业大学 | 面向路网关键节点的应急保障优化设计方法 |
CN114266475A (zh) * | 2021-12-22 | 2022-04-01 | 深圳供电局有限公司 | 一种基于多属性决策的电力网络关键节点识别方法 |
-
2022
- 2022-06-27 CN CN202210746518.4A patent/CN115099636B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231528A (ja) * | 2009-03-27 | 2010-10-14 | Kddi Corp | 秘匿性評価値の計算装置、計算方法、及び計算用プログラム |
CN101782942A (zh) * | 2010-01-21 | 2010-07-21 | 武汉大学 | 多节点多防护能力的防护效能评估系统 |
CN103809542A (zh) * | 2012-11-14 | 2014-05-21 | 无锡津天阳激光电子有限公司 | 一种社区安防物联网方法与装置 |
US9078153B1 (en) * | 2014-10-31 | 2015-07-07 | Quantenna Communications, Inc. | Wireless local area network with spatial diagnostics |
CN108205868A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园防火防盗智能监控管理系统 |
CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
CN111242211A (zh) * | 2020-01-13 | 2020-06-05 | 中南民族大学 | 一种田野文物保护系统中的地下入侵信号识别方法和系统 |
CN113554323A (zh) * | 2021-07-28 | 2021-10-26 | 河北工业大学 | 面向路网关键节点的应急保障优化设计方法 |
CN114266475A (zh) * | 2021-12-22 | 2022-04-01 | 深圳供电局有限公司 | 一种基于多属性决策的电力网络关键节点识别方法 |
Non-Patent Citations (3)
Title |
---|
Predicting edge sign and finding prestige of nodes in networks;Xiaoping Jiang 等;《Cluster Computing》;第1473-1481页 * |
基于边缘算力协同系统的视频智能分析任务动态调度方法;李成华 等;《电子与信息学报》;第45卷(第11期);第1-11页 * |
基于风险熵和Neyman-Pearson准则的安防网络风险评估研究;胡瑞敏;吕海涛;陈军;;自动化学报;第40卷(第12期);第2737-2746页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115099636A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Regional disaster risk assessment of China based on self-organizing map: clustering, visualization and ranking | |
Abudeif et al. | Multicriteria decision analysis based on analytic hierarchy process in GIS environment for siting nuclear power plant in Egypt | |
Pourkhabbaz et al. | Suitability analysis for determining potential agricultural land use by the multi-criteria decision making models SAW and VIKOR-AHP (Case study: Takestan-Qazvin Plain) | |
CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
Kuznichenko et al. | Development of a multi-criteria model for making decisions on the location of solid waste landfills | |
Sun et al. | Hybrid short-term runoff prediction model based on optimal variational mode decomposition, improved Harris hawks algorithm and long short-term memory network | |
CN108090623B (zh) | 一种电网停电事故的危险性评估方法 | |
Zhang et al. | Prioritizing sponge city sites in rapidly urbanizing watersheds using multi-criteria decision model | |
Yu et al. | Factors affecting spatial variation of classification uncertainty in an image object-based vegetation mapping | |
Santra et al. | Delineation of hydrologically similar units in a watershed based on fuzzy classification of soil hydraulic properties | |
CN103970651A (zh) | 基于组件安全属性的软件体系结构安全性评估方法 | |
CN115099636B (zh) | 基于复杂网络理论的文物安防系统效能评估方法和系统 | |
Mahmoudabadi | Comparison of weighted and simple linear regression and artificial neural network models in freeway accidents prediction | |
Aqbelaghi et al. | Environmental approach in modelling of urban growth: Tehran City, Iran | |
Li et al. | Spatiotemporal classification analysis of long-term environmental monitoring data in the northern part of Lake Taihu, China by using a self-organizing map | |
Verellen et al. | Using data-driven models to estimate the energy use of buildings based on a building stock model | |
Karimi et al. | Analyzing the results of buildings energy audit by using grey incidence analysis | |
CN110097126B (zh) | 基于dbscan聚类算法的核查重点人员、房屋漏登记的方法 | |
CN113989073A (zh) | 一种基于大数据挖掘的光伏高占比配网电压时空多维评估方法 | |
Li et al. | Geographically stratified importance sampling for the calibration of aggregated destination choice models for trip distribution | |
Wang | Applications of spatio-temporal data mining and knowledge discovery (STDMKD) for forest fire prevention | |
Samad et al. | GIS based analysis for developing residential land suitability | |
Boutaghane et al. | Geospatial modelling of the future urban expansion map using AHP and GIS in Bordj Bou Arreridj, Algeria. | |
Naser et al. | Performance of Artificial Neural Networks (ANN) At Transportation Planning Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |