对分类对象的元数据进行分类的聚类设备的制作方法

1.本发明涉及人工智能技术领域，尤其涉及一种对分类对象的元数据进行分类的聚类设备。


背景技术：

2.元数据（metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。元数据算是一种电子式目录，为了达到编制目录的目的，必须在描述并收藏数据的内容或特色，进而达成协助数据检索的目的。都柏林核心集（dublin core metadata initiative，dcmi）是元数据的一种应用，是1995年2月由国际图书馆电脑中心（oclc）和美国国家超级计算应用中心（national center for supercomputing applications，ncsa）所联合赞助的研讨会，在邀请52位来自图书馆员、电脑专家，共同制定规格，创建一套描述网络上电子文件之特征。
3.元数据是关于数据的组织、数据域及其关系的信息，即元数据就是关于数据的数据，而基于元数据的聚类，是将具有相同元数据的对象划分为同一类别以便于后续执行对象管理。具体到细分的应用领域，例如，将来袭物群的各种类型来袭物作为各个分类对象，将是否具有攻击性作为分类对象的第一元数据，以及将发生攻击最频繁的时刻作为分类对象的第二元数据，对来袭物群的各个分类对象即各种类型来袭物进行分类，从而方便来袭物防御方执行后续的防御和处置。
4.然而，虽然某一类型的动作的习性基本上固定，但具体到分配到来袭物群的来袭物来说，其习性还是存在一定的差别，同时，即使能够确定某一种类来袭物具有攻击性，但也无法确定这一种类来袭物每一天习惯发生攻击的时刻，这些元数据的缺失，导致来袭物防御方实际上难以执行来袭物的聚类操作。


技术实现要素：

5.为了解决上述问题，本发明提供了一种对分类对象的元数据进行分类的聚类设备，能够采用定制结构的径向基函数神经网络对来袭物群每一种类来袭物的与攻击性相关的元数据执行智能化解析，并基于解析结果对来袭物群的各种来袭物执行基于元数据的聚类操作，完成对来袭物的基于攻击性的分类，从而便于来袭物防御方后续制定安全有效的园区管理策略。
6.为此，本发明至少需要具备以下三处重要的发明点：（1）建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻；
（2）建立的多层结构的径向基函数神经网络中，隐含层的数量与待分析的来袭物种类总数成正比，从而使得所述径向基函数神经网络能够匹配种类复杂性不同的各种来袭物监视区；（3）根据多次训练后的径向基函数神经网络的输出层的输出数据对待分析种类来袭物的攻击性进行分类，从而以是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻作为两项元数据实现对来袭物群各个种类来袭物的智能化聚类操作。
7.根据本发明的第一方面，提供了一种对分类对象的元数据进行分类的聚类设备，所述设备包括：网络构建组件，用于建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；网络训练组件，与所述网络构建组件连接，用于采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为所述网络构建组件建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为所述网络构建组件建立的径向基函数神经网络的输入层的输入数据对所述网络构建组件建立的径向基函数神经网络进行训练；智能分类组件，用于采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为通过所述网络训练组件执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；目标聚类组件，与所述智能分析组件连接，用于基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
8.根据本发明的第二方面，提供了一种对分类对象的元数据进行分类的聚类设备，所述设备包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
9.根据本发明的第三方面，提供了一种对分类对象的元数据进行分类的聚类方法，所述方法包括：建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作
为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
附图说明
10.以下将结合附图对本发明的实施方案进行描述，其中：图1为根据本发明的对分类对象的元数据进行分类的聚类设备的技术流程图。
11.图2为根据本发明的实施例1示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
12.图3为根据本发明的实施例2示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
13.图4为根据本发明的实施例3示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
14.图5为根据本发明的实施例4示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
15.图6为根据本发明的实施例5示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
16.图7为根据本发明的实施例6示出的对分类对象的元数据进行分类的聚类方法的步骤流程图。
具体实施方式
17.将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，他是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚
类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
18.当前，采用分类对象的元数据对分类对象进行聚类操作是使用较多的聚类操作模式，然而在实际运用中，准确、可靠的元数据的获取是一个难题。例如，对于来袭物（例如，各种武器）监视区尤其是天、海、边来袭物监视区来说，防御方需要明确自己防御的不同种类的来袭物的攻击性，包括是否具有攻击性以及习惯执行攻击动作的时刻这两项元数据，但是即使在同一种类下，不同来袭物的攻击性也千差万别，导致每一家来袭物监视区无法完成对自己防御的各个种类的攻击性的聚类，使得后续防御策略的制定缺乏针对性和有效性。
19.为了克服上述不足，本发明搭建了一种对分类对象的元数据进行分类的聚类设备，通过为每一家来袭物监视区建立适合自己管辖来袭物种类复杂性的定制结构的径向基函数神经网络，在针对性训练机制的基础上，实现对自己防御的不同种类来袭物的攻击性元数据的智能化解析，从而保证后续制定的防御策略的针对性和有效性。
20.如图1所示，给出了根据本发明示出的对分类对象的元数据进行分类的聚类设备的技术流程图。
21.如图1所示，本发明的具体的技术流程如下：首先，针对某一来袭物监视区的园区，对每一种类来袭物的活动区域在一天不同时刻分别采集各个不同的数字图像，这些数字图像用于后续执行用于来袭物攻击性识别的径向基函数神经网络的基础数据，当相应种类的来袭物的攻击性已知时，相关的数字图像可以用作径向基函数神经网络的训练数据，当相应种类的来袭物的攻击性未知时，相关的数字图像可以用作径向基函数神经网络的使用数据以执行相应种类的来袭物的攻击性的智能化识别，与来袭物的攻击性相关的元数据有两种，一种是种类来袭物是否具有攻击性，另一种是在具有攻击性时每天发生攻击动作概率最高的时刻；其次，针对这家来袭物监视区，建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，其中，隐含层的数量与待分析的来袭物种类总数成正比，从而使得建立的径向基函数神经网络能够匹配种类复杂性不同的各种来袭物监视区；再次，对建立的径向基函数神经网络执行已知攻击性的来袭物种类的多次训练，以保证径向基函数神经网络用于后续元数据识别的精度；最后，使用多次训练后的径向基函数神经网络对这家来袭物监视区的未知攻击性的来袭物种类执行攻击性的元数据的解析，并基于解析结果对这家来袭物监视区防御的各个种类的来袭物执行基于上述元数据的聚类操作。
22.本发明的关键点在于，选择了来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻这两个元数据作为对来袭物监视区制定防御策略所需要的来袭物聚类操作的参考数据，尤为关键的是，选择了多层结构的径向基函数神经网络作为人
工识别模型，以及为了满足种类复杂性不同的各种来袭物监视区的需求，建立的径向基函数神经网络的隐含层数量与待分析的来袭物种类总数成正比，同时采用针对性的训练机制，从而实现了与攻击性相关的两种不同元数据的准确解析。
23.下面，将对本发明的对分类对象的元数据进行分类的聚类设备以实施例的方式进行具体说明。
24.实施例1图2为根据本发明的实施例1示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
25.如图2所示，所述对分类对象的元数据进行分类的聚类设备包括以下部件：网络构建组件，用于建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；网络训练组件，与所述网络构建组件连接，用于采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为所述网络构建组件建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为所述网络构建组件建立的径向基函数神经网络的输入层的输入数据对所述网络构建组件建立的径向基函数神经网络进行训练；智能分类组件，用于采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为通过所述网络训练组件执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；目标聚类组件，与所述智能分析组件连接，用于基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
26.实施例2图3为根据本发明的实施例2示出的对分类对象的元数据进行分类的聚类设备的
结构示意图。
27.如图3所示，与本发明的实施例1不同，所述对分类对象的元数据进行分类的聚类设备还包括：大数据存储组件，通过无线网络与所述目标聚类组件连接，用于存储所述目标聚类组件对来袭物群的各个种类来袭物进行的聚类操作结果。
28.实施例3图4为根据本发明的实施例3示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
29.如图4所示，与本发明的实施例1不同，所述对分类对象的元数据进行分类的聚类设备还包括：参数配置组件，分别与所述网络构建组件、所述网络训练组件以及所述智能分类组件连接，用于分别实现对所述网络构建组件、所述网络训练组件以及所述智能分类组件的工作参数的现场配置。
30.实施例4图5为根据本发明的实施例4示出的对分类对象的元数据进行分类的聚类设备的结构示意图。
31.如图5所示，与本发明的实施例1不同，所述对分类对象的元数据进行分类的聚类设备还包括：同步协调组件，分别与所述网络构建组件、所述网络训练组件以及所述智能分类组件连接，用于实现对所述网络构建组件、所述网络训练组件以及所述智能分类组件各自动作的协同控制。
32.在上述实施例的任一实施例中，可选地，在所述对分类对象的元数据进行分类的聚类设备中：基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于0时，所述种类来袭物不具有攻击性，所述频繁攻击时刻为空符号对应的二进制编码；其中，将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合包括：将分类结果中具有攻击标识数据都等于1的多个种类来袭物划归为攻击型来袭物种类集合，将分类结果中具有攻击标识数据都等于0的多个种类来袭物划归为温和型来袭物种类集合；其中，将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合包括：将分类结果中具有相同频繁攻击时刻的多个种类来袭物划归为同一来袭物种类集合的种类集合为将分类结果中具有攻击标识数据都等于1的多个种类来袭物划归为同一来袭物种类集合的种类集合的子集。
33.在上述实施例的任一实施例中，可选地，在所述对分类对象的元数据进行分类的聚类设备中：
所述径向基函数神经网络使用径向基函数作为激活函数，由多层结构构成；其中，在所述径向基函数神经网络的多层结构中，从输入层到隐含层的数值变换是非线性的，从隐含层到输出层的数值变换是线性的。
34.实施例5图6为根据本发明的实施例5示出的对分类对象的元数据进行分类的聚类设备的结构方框图。
35.如图6所示，所述对分类对象的元数据进行分类的聚类设备包括存储器以及n个处理器，n为大于等于1的正整数，所述存储器存储有计算机程序，所述计算机程序被配置成由所述n个处理器执行以完成以下步骤：建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
36.实施例6图7为根据本发明的实施例6示出的对分类对象的元数据进行分类的聚类方法的步骤流程图。
37.如图7所示，所述对分类对象的元数据进行分类的聚类方法包括：建立多层结构的径向基函数神经网络，所述多层结构分别为单个输入层、单个输出层和设定数量的隐含层，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻，所述设定数量的数值与待分析的来袭物种类总数成正比；采用某一种类来袭物已知是否具有攻击性以及在具有攻击性时已知每天发生攻击动作概率最高的时刻作为建立的径向基函数神经网络的输出层的输出数据，采用所述种类来袭物在其活动区域内分时捕获的多个数字图像作为建立的径向基函数神经网络的输入层的输入数据对建立的径向基函数神经网络进行训练；采用来袭物群待分析的某一种类来袭物活动区域内分时捕获的多个数字图像作为执行多次训练后的径向基函数神经网络的输入层的输入数据以运行所述多次训练后的径向基函数神经网络，并根据所述多次训练后的径向基函数神经网络的输出层的输出数据对所述待分析种类来袭物的攻击性进行分类；基于对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作；其中，所述径向基函数神经网络的输入层的输入数据为来袭物群某一种类来袭物活动区域内分时捕获的多个数字图像包括：所述多个数字图像的捕获视野相同且分辨率相等，以及所述多个数字图像分别对应的多个捕获时刻均匀分布在一天的时间长度内；其中，所述径向基函数神经网络的输出层的输出数据为所述种类来袭物是否具有攻击性以及在具有攻击性时每天发生攻击动作概率最高的时刻包括：所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻；其中，所述径向基函数神经网络的输出层的输出数据包括攻击标识数据和频繁攻击时刻包括：当所述攻击标识数据等于1时，所述种类来袭物具有攻击性，所述频繁攻击时刻为每天发生攻击动作概率最高的时刻对应的二进制编码；其中，基于所述智能分类组件对来袭物群各个种类来袭物的攻击性的分类结果对来袭物群的各个种类来袭物进行聚类操作包括：将分类结果中具有相同攻击标识数据的多个种类来袭物划归为同一来袭物种类集合。
38.另外，元数据（metadata）是描述其它数据的数据（data about other data），或者说是用于提供某种资源的有关信息的结构数据（structured data）。元数据是描述信息资源或数据等对象的数据，其使用目的在于：识别资源；评价资源；追踪资源在使用过程中的变化；实现简单高效地管理大量网络化数据；实现信息资源的有效发现、查找、一体化组织和对使用资源的有效管理。
39.一般地，元数据的基本特点主要有：a）元数据一经建立，便可共享。元数据的结构和完整性依赖于信息资源的价值和使用环境；元数据的开发与利用环境往往是一个变化的分布式环境；任何一种格式都不可能完全满足不同团体的不同需要；b）元数据首先是一种编码体系。元数据是用来描述数字化信息资源，特别是网络信息资源的编码体系，这导致了元数据和传统数据编码体系的根本区别；元数据的最为重
要的特征和功能是为数字化信息资源建立一种机器可理解框架。
40.元数据体系构建了电子政务的逻辑框架和基本模型,从而决定了电子政务的功能特征、运行模式和系统运行的总体性能。电子政务的运作都基于元数据来实现。其主要作用有：描述功能、整合功能、控制功能和代理功能。
41.由于元数据也是数据，因此可以用类似数据的方法在数据库中进行存储和获取。如果提供数据元的组织同时提供描述数据元的元数据，将会使数据元的使用变得准确而高效。用户在使用数据时可以首先查看其元数据以便能够获取自己所需的信息。
42.在上述说明书中，已参考特定实施方案对本发明进行了描述。然而，本领域的普通技术人员可以理解的是，可以不离开由本发明所附的权利要求所限定的范围而作出各种修改和改变。因此，说明书和附图应被认为是解释性的而不是限制性的，并且意图将所有这样的修改包含于本发明的范围内。
43.以上已结合特定实施方案描述了益处、其它优点和问题的解决方案。然而，可以产生任何益处、优点、或解决方案或使得任何益处、优点、或解决方案变得更加明显的益处、优点、问题的解决方案、以及任意其它要素不应被解释为任何或所有权利要求之关键的、必需的、或基本的特征或要素。本文所用的术语“包含”、“包括”、或其任意其它变形的意图为覆盖非排他的包含，诸如工艺、方法、物品、或装置，其不仅包括那些要素而且还可以包括其它未被显式列出或为这样的工艺、方法、物品或装置所固有的一系列要素。