CN104050361A - 一种监狱服刑人员危险性倾向的智能分析预警方法 - Google Patents
一种监狱服刑人员危险性倾向的智能分析预警方法 Download PDFInfo
- Publication number
- CN104050361A CN104050361A CN201410245760.9A CN201410245760A CN104050361A CN 104050361 A CN104050361 A CN 104050361A CN 201410245760 A CN201410245760 A CN 201410245760A CN 104050361 A CN104050361 A CN 104050361A
- Authority
- CN
- China
- Prior art keywords
- early warning
- semi
- extreme behavior
- data
- inmate
- 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.)
- Granted
Links
Abstract
本发明涉及计算机智能信息处理中的大数据处理技术,具体涉及一种监狱服刑人员危险性倾向的智能分析预警方法,对监狱信息系统中服刑人员的信息实施高效采集、抽取,获得服刑人员行为特征基础数据,并采用代价敏感多阶段半监督分类方法,对服刑人员危险性倾向进行分析判别并预警。本发明的有益效果在于:1、本发明能充分利用现有系统提供的大量的服刑人员监测数据,自动发现异常的服刑人员潜在的行为特征和行为模式,该系统构造成本较小,可行性强。2、该方法考虑了预警系统误判的代价问题,最大程度地降低预警误判造成的影响,符合实际需求。3、本发明提出的方法具有更强的自适应能力,建立的预警系统预警准确度更高,误判造成的影响小。
Description
技术领域
本发明涉及计算机智能信息处理中的大数据处理技术,具体涉及一种监狱服刑人员危险性倾向的智能分析预警方法。
背景技术
随着监狱信息化的发展,建设了包括罪犯狱政管理系统、刑法执行系统、生活卫生系统、亲情电话系统、会见管理系统、心理咨询系统等一大批罪犯管理业务系统;包括视频监控系统、门禁系统、报警系统、数字电网、外来车辆人员进出管理系统、应急指挥辅助决策系统等一大批安全防范系统。这些系统的建设为监狱狱情的收集、分析、研判提供了大量的、有效的基础性数据。
在监狱狱情分析过程中,有一项关键的任务是对服刑人员可能发生的极端行为(如逃脱、自杀、施暴、破坏等)进行分析预警,但对这些系统产生的信息还没有进行有效的处理和分析,目前在监狱管理中只是提出罪犯分类的方法,根据刑期去对服刑人员做简单分类,但在实际操作中现有方法在对服刑人员可能发生的极端行为进行分析预警时还存在很多不足之处,且准确度较低。
现有方法的不足表现在:首先,现有的方法对服刑人员进行分类时没有考虑对不同行为误判造成的代价不同,将行为正常的服刑人员错误预警为有极端行为倾向时相对代价较小;如果对有极端行为倾向的服刑人员造成误判,而没有及时预警,将造成的后果将非常严重。其次,已有方法对服刑人员进行分类时没有细分到该人员可能存在的不同类型的极端行为倾向,对此进行分析能够更有针对性的采取措施,以防范极端行为的发生。再次,已有方法对服刑人员的分类严重依赖人工设计的指标,方法的智能化程度还不高,没有充分利用现有系统产生的大量数据来发现异常的服刑人员行为特征。且在服刑人员中,真正发生极端行为的属于极少数,所以这种极端行为的数据很少,且获取难度极大,现有的方法用这极少量的极端行为数据很难构建准确的分类预警模型。
发明内容
本发明为克服上述的不足之处,目的在于提供一种监狱服刑人员危险性倾向的智能分析预警方法,主要是通过对监狱信息系统收集的大量服刑人员信息建模,利用一种代价敏感的多阶段半监督分类算法,自动发现服刑人员的行为特征,有效识别存在极端行为倾向的服刑人员,自动判别该极端行为倾向的类型,并有效降低系统误判造成的影响。
本发明是通过以下技术方案达到上述目的:一种监狱服刑人员危险性倾向的智能分析预警方法,包括以下步骤:
(1)数据采集分类:
(1.1)采集监狱服刑人员的档案信息,将其存入数据中心;
(1.2)将监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统与数据中心进行连接,将其产生的信息实时传入数据中心;
(1.3)数据中心根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
(2)数据预处理:
(2.1)模型生成与预警处理终端调用数据中心中分类存储的服刑人员信息,构造用于分析服刑人员极端行为倾向的三大类基础特征,对于这三大类基础特征均进行数值化预处理,使每个服刑人员均得到一个特征向量;
(2.2)对有极端行为倾向的服刑人员标记极端行为类别y={1,2,...N},N表示极端行为类型数,每个数代表一种极端行为类型;对无极端行为倾向的服刑人员标记极端行为类别y=-1;
(3)模型生成与预警处理终端生成第一阶段半监督分类模型,将所有没有标记极端行为类别的特征向量作为未标记的数据,未标记的数据输入第一阶段半监督分类模型,得到该服刑人员的极端行为类别y;
(4)模型生成与预警处理终端生成第二阶段半监督分类模型,经过步骤(3)判别存在极端行为倾向的特征向量作为未标记数据,输入第二阶段半监督分类模型,得到相应服刑人员其极端行为倾向的类型;
(5)根据分类结果,模型生成与预警处理终端对存在极端行为倾向的服刑人员给出预警信号,指示其可能的极端行为类别。
作为优选,所述模型生成与预警处理终端生成第一阶段半监督分类模型的目标函数为
其中,f表示预测函数,目标函数包含了三项,第一项表示函数间隔,表示各个特征的权重系数;第二项是对有标记数据错分类的损失函数,yi表示真实的标号,l(·)表示真实标号与预测值之间的差异,第三项是对未标记数据错分类的损失函数表示对未标记数据标号的预估,C1和C2分别是对有标记数据和未标记数据错分的权重,且C1又细分为C1(+)和C1(-),表明不同误判情形代价不同,C1(+)、C1(-)和C2均是用户自己设定的常数;sgn(·)是指示函数;表示未标记数据的极端行为倾向类别;
作为优选,所述步骤(4)具体包括以下步骤:
(4.1)将由第一阶段半监督分类模型标记存在极端行为倾向的特征向量作为未标记数据;
(4.2)根据极端行为类型数N,构建N个半监督分类器,每个半监督分类器都是二分类模型,将其中一种极端行为倾向作为一类,而其他所有极端行为倾向作为另一类;
(4.3)N个半监督分类器分别根据目标函数,通过数值优化方法对未标记数据进行预测,得到N个预测函数f1、f2、…、fn;
所述目标函数为:
(4.4)输出对每一个存在极端行为倾向的服刑人员其极端行为倾向类型。
作为优选,所述第一阶段半监督分类模型为第一阶段的代价敏感半监督分类器,该分类器包括基于代价敏感的支持向量机的半监督分类器、基于代价敏感的正则化逻辑回归的半监督分类器。
作为优选,所述第二阶段半监督分类模型为第二阶段半监督分类器,该分类器包括基于支持向量机的多类半监督分类器、基于正则化逻辑回归的多类半监督分类器。
作为优选,所述极端行为类型N=4,极端行为类型包括1.逃脱,2.自杀,3.施暴,4.破坏,即y={1,2,3,4}。
一种监狱服刑人员危险性倾向的智能分析预警系统,包括业务系统、数据中心、模型生成与预警处理终端,所述业务系统与数据中心连接,数据中心和模型生成与预警处理终端连接。
本发明的有益效果在于:本发明能充分利用现有系统提供的大量的服刑人员监测数据,不仅是极少数的极端行为数据,而且也能利用大量的正常行为数据,自动发现异常的服刑人员潜在的行为特征和行为模式,该方法实施成本较小,可行性强。同时该方法考虑了预警系统误判的代价问题,最大程度地降低预警误判造成的影响,符合实际需求。此外,该方法分阶段的对服刑人员行为进行分析,首先判断该服刑人员是否存在极端行为倾向,在此基础上能够进一步预警该服刑人员的极端行为倾向属于哪个类别,有助于相关人员更有针对性的采取措施,以防范极端行为的发生。相较已有方法,本发明提出的方法具有更强的自适应能力,建立的预警系统预警准确度更高,且误判造成的影响小。
附图说明
图1为本发明实施例的系统构成示意图;
图2为本发明实施例的方法工作流程示意图;
图3为本发明实施例的第一阶段半监督分类模型的工作示意图;
图4为本发明实施例的第二阶段半监督分类模型的工作示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例1:如图1所示,一种监狱服刑人员危险性倾向的智能分析预警系统,包括业务系统、数据中心、模型生成与预警处理终端,所述业务系统与数据中心连接,数据中心和模型生成与预警处理终端连接。从外部系统进行数据采集,这些系统是监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统。这些系统的数据将送至数据中心,并由数据中心分类存储数据,为预警系统的数据分析做数据准备;模型生成与预警处理终端通过第一阶段半监督分类器和第二阶段半监督分类器对数据进行处理,输出预警结果。
如图2所示,一种监狱服刑人员危险性倾向的智能分析预警方法,包括以下步骤:
(1)外部业务系统进行数据采集,并由数据中心分类存储数据,准备传给模型生成与预警处理终端:
(1.1)采集监狱服刑人员的档案信息,将其存入数据中心;
(1.2)将监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统与数据中心进行连接,将其产生的信息实时传入数据中心;
(1.3)数据中心根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
(2)模型生成与预警处理终端预处理服刑人员特征数据:
(2.1)模型生成与预警处理终端调用数据中心中分类存储的服刑人员信息,构造用于分析服刑人员极端行为倾向的三大类基础特征,对于这三大类基础特征均进行数值化预处理,使每个服刑人员均得到一个特征向量,某监狱有服刑人员Z个,记第i个服刑人员的特征向量为Xi=[x1,x2,…,xk,…,xd],1≤i≤Z,其中xk表示第k个特征属性,d表示全部特征属性的个数;
(2.2)此外对部分服刑人员进行标记,如果第i个服刑人员发生过极端行为倾向,则标明他的极端行为类别yi={1,2,3,4},其中1表示逃脱,2表示自杀,3表示施暴,4表示破坏,可根据实际需求方便增加;同时对确定没有任何极端行为倾向的服刑人员也进行标记,即如果第m个服刑人员没有任何极端行为倾向,则标记行为类别ym=-1;
(3)第一阶段半监督分类模型的工作示意图如图3所示,首先需要调整服刑人员数据特征向量及其标记,将所有已标明极端行为类别的数据其标记改为+1,如第i个服刑人员发生过极端行为倾向,且最初标记为yi=2,这里标为yi=+1。因而得到一系列有标记的数据{(X1,y1),…,(Xn,yn)}和一系列无标记数据{Xn+1,…,Xn+s},n表示有标记的服刑人员数,s表示无标记的服刑人员数,也是分析预警模型需要分析判别的人数。利用上述这些数据,根据设计的第一阶段目标函数:
其中f表示预测函数,目标函数包含了三项,第一项表示函数间隔,如其中w=[w1,w2,...wd]T表示各个特征的权重系数,第二项是对有标记数据错分类的损失函数,yi表示真实的标号,l(·)表示真实标号与预测值之间的差异,如两者差的平方和,第三项是对未标记数据错分类的损失函数表示对未标记数据标号的预估,C1和C2分别是对有标记数据和未标记数据错分的权重,且C1又细分为C1(+)和C1(-),表明不同误判情形代价不同,C1(+)、C1(-)和C2均是用户自己设定的常数。目标函数(1)可采用优化方法求解得到预测函数f,这里的优化方法可采用数值优化教科书中介绍的各种数值优化技术,最终利用预测函数f对各个未标记数据进行判别得到其中是指示函数,若括号内的数大于等于0,则指示为+1,反之则为-1,结果+1表示存在极端行为倾向,-1表示无极端行为倾向;
(4)第二阶段半监督分类模型的工作示意图如图4所示,需要再次调整服刑人员数据特征向量及其标记,这次仅考虑原本标记为有极端行为倾向的数据和第一阶段判别得到的有极端行为倾向的数据。将原本已标明极端行为类别的数据其标记标为{1,2,3,4},如第i个服刑人员发生的极端行为类别为2,则标记为yi=2。另外,在第一阶段判别存在极端行为倾向的数据在这里不标记。因而又得到一系列有标记的数据{(X1,y1),…,(Xp,yp)}和一系列无标记数据{Xp+q,…,Xp+q},p表示明确其极端行为类别的服刑人员数,s表示极端行为类别未知的服刑人员数,也是第二阶段分析预警模型需要分析判别的人数。利用上述这些数据,根据设计的第二阶段目标函数:
目标函数(2)的形式和第一阶段半监督分类模型的目标函数(1)非常相似,其符号含义与目标函数(1)中的符号含义相同,但不同的是第一阶段只考虑两类问题,即有或者无极端行为倾向。由于第二阶段的预测涉及到4个类别,包括1.逃脱,2.自杀,3.施暴,4.破坏,这里需要建立4个二分类模型。在每个模型中将其中一个类别的数据作为一类,而另外三类数据合并作为另一类。随后采用与第一阶段类似的数值优化方法,最终得到第二阶段4个预测函数f1、f2、f3、f4。继而利用这4个预测函数,对s个未标记数据进行判别对每个数据综合4个模型的预测结果,得到其对应的极端行为倾向类型;
(5)根据分类结果,模型生成与预警处理终端对存在极端行为倾向的服刑人员给出预警信号,指示其可能的极端行为类别。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (6)
1.一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于包括以下步骤:
(1)数据采集分类:
(1.1)采集监狱服刑人员的档案信息,将其存入数据中心;
(1.2)将监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统与数据中心进行连接,将其产生的信息实时传入数据中心;
(1.3)数据中心根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
(2)数据预处理:
(2.1)模型生成与预警处理终端调用数据中心中分类存储的服刑人员信息,构造用于分析服刑人员极端行为倾向的三大类基础特征,对于这三大类基础特征均进行数值化预处理,使每个服刑人员均得到一个特征向量;
(2.2)对有极端行为倾向的服刑人员标记极端行为类别y={1,2,...N},N表示极端行为类型数,每个数代表一种极端行为类型;对无极端行为倾向的服刑人员标记极端行为类别y=-1;
(3)模型生成与预警处理终端生成第一阶段半监督分类模型,将所有没有标记极端行为类别的特征向量作为未标记的数据,未标记的数据输入第一阶段半监督分类模型,得到该服刑人员的极端行为类别y;
(4)模型生成与预警处理终端生成第二阶段半监督分类模型,经过步骤(3)判别存在极端行为倾向的特征向量作为未标记数据,输入第二阶段半监督分类模型,得到相应服刑人员其极端行为倾向的类型;
(5)根据分类结果,模型生成与预警处理终端对存在极端行为倾向的服刑人员给出预警信号,指示其可能的极端行为类别。
2.根据权利要求1所述的一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于,所述模型生成与预警处理终端生成第一阶段半监督分类模型的目标函数为
其中,f表示预测函数,目标函数包含了三项,第一项表示函数间隔,表示各个特征的权重系数;第二项是对有标记数据错分类的损失函数,yi表示真实的标号,l(·)表示真实标号与预测值之间的差异,第三项是对未标记数据错分类的损失函数表示对未标记数据标号的预估,C1和C2分别是对有标记数据和未标记数据错分的权重,且C1又细分为C1(+)和C1(-),表明不同误判情形代价不同,C1(+)、C1(-)和C2均是用户自己设定的常数;sgn(·)是指示函数;表示未标记数据的极端行为倾向类别;,n表示有标记的服刑人员数,s表示无标记的服刑人员数。
3.根据权利要求1所述的一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于, 所述步骤(4)具体包括以下步骤:
(4.1)将由第一阶段半监督分类模型标记存在极端行为倾向的特征向量作为未标记数据;
(4.2)根据极端行为类型数N,构建N个半监督分类器,每个半监督分类器都是二分类模型,将其中一种极端行为倾向作为一类,而其他所有极端行为倾向作为另一类;
(4.3)N个半监督分类器分别根据目标函数,通过数值优化方法对未标记数据进行预测,得到N个预测函数f1、f2、…、fn;
所述目标函数为:
(4.4)输出对每一个存在极端行为倾向的服刑人员其极端行为倾向类型。
4.根据权利要求2所述的一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于,所述第一阶段半监督分类模型为第一阶段的代价敏感半监督分类器,该分类器包括基于代价敏感的支持向量机的半监督分类器、基于代价敏感的正则化逻辑回归的半监督分类器。
5.根据权利要求3所述的一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于,所述第二阶段半监督分类模型为第二阶段半监督分类器,该分类器包括基于支持向量机的多类半监督分类器、基于正则化逻辑回归的多类半监督分类器。
6.根据权利要求3所述的一种监狱服刑人员危险性倾向的智能分析预警方法,其特征在于,所述极端行为类型N=4,极端行为类型包括1.逃脱,2.自杀,3.施暴,4.破坏,即y={1,2,3,4}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245760.9A CN104050361B (zh) | 2014-06-04 | 2014-06-04 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245760.9A CN104050361B (zh) | 2014-06-04 | 2014-06-04 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104050361A true CN104050361A (zh) | 2014-09-17 |
CN104050361B CN104050361B (zh) | 2017-06-23 |
Family
ID=51503183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410245760.9A Active CN104050361B (zh) | 2014-06-04 | 2014-06-04 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050361B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
CN106447194A (zh) * | 2016-09-27 | 2017-02-22 | 上海中信信息发展股份有限公司 | 综合静态和动态信息的罪犯危险度评估方法 |
CN109636155A (zh) * | 2018-11-30 | 2019-04-16 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
CN109816579A (zh) * | 2019-01-16 | 2019-05-28 | 北京明略软件系统有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
CN110543594A (zh) * | 2019-08-06 | 2019-12-06 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
WO2020056854A1 (zh) * | 2018-09-21 | 2020-03-26 | 合肥指南针电子科技有限责任公司 | 一种基于监狱人员信息分析的智能化监控调控系统 |
CN111523758A (zh) * | 2020-03-18 | 2020-08-11 | 北京易华录国际技术有限公司 | 一种监狱大数据分析系统 |
CN111935269A (zh) * | 2020-08-04 | 2020-11-13 | 上海交大慧谷通用技术有限公司 | 一种数据交换方法及系统 |
CN112370765A (zh) * | 2020-01-21 | 2021-02-19 | 鲁姆文化传媒(上海)有限公司 | 一种人工智能健康监控管理平台 |
CN112862645A (zh) * | 2019-11-27 | 2021-05-28 | 山东万博科技股份有限公司 | 建立多维度服刑人员状态信息模型的方法 |
CN114418115A (zh) * | 2022-01-11 | 2022-04-29 | 华中师范大学 | 心理咨询师的共情会谈训练方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289685A (zh) * | 2011-08-04 | 2011-12-21 | 中山大学 | 一种基于正则回归的秩-1张量投影的行为识别方法 |
CN103577841A (zh) * | 2013-11-11 | 2014-02-12 | 浙江大学 | 一种无监督多视图特征选择的人体行为识别方法 |
CN103678483A (zh) * | 2013-10-24 | 2014-03-26 | 江苏大学 | 基于自适应概率超图和半监督学习的视频语义分析方法 |
CN103761449A (zh) * | 2014-02-20 | 2014-04-30 | 杭州华亭科技有限公司 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
CN103793702A (zh) * | 2014-02-28 | 2014-05-14 | 武汉大学 | 基于协同尺度学习的行人重识别方法 |
-
2014
- 2014-06-04 CN CN201410245760.9A patent/CN104050361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289685A (zh) * | 2011-08-04 | 2011-12-21 | 中山大学 | 一种基于正则回归的秩-1张量投影的行为识别方法 |
CN103678483A (zh) * | 2013-10-24 | 2014-03-26 | 江苏大学 | 基于自适应概率超图和半监督学习的视频语义分析方法 |
CN103577841A (zh) * | 2013-11-11 | 2014-02-12 | 浙江大学 | 一种无监督多视图特征选择的人体行为识别方法 |
CN103761449A (zh) * | 2014-02-20 | 2014-04-30 | 杭州华亭科技有限公司 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
CN103793702A (zh) * | 2014-02-28 | 2014-05-14 | 武汉大学 | 基于协同尺度学习的行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
李庆强等: "基于半监督分类的BGP异常检测", 《计算机应用》 * |
柳斌等: "一种基于半监督学习的应用层流量分类方法", 《微电子学与计算机》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139029B (zh) * | 2015-08-14 | 2018-11-02 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
CN106447194A (zh) * | 2016-09-27 | 2017-02-22 | 上海中信信息发展股份有限公司 | 综合静态和动态信息的罪犯危险度评估方法 |
WO2020056854A1 (zh) * | 2018-09-21 | 2020-03-26 | 合肥指南针电子科技有限责任公司 | 一种基于监狱人员信息分析的智能化监控调控系统 |
CN109636155A (zh) * | 2018-11-30 | 2019-04-16 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
CN109816579A (zh) * | 2019-01-16 | 2019-05-28 | 北京明略软件系统有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN110543594B (zh) * | 2019-08-06 | 2022-03-25 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
CN110543594A (zh) * | 2019-08-06 | 2019-12-06 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
CN110458101A (zh) * | 2019-08-12 | 2019-11-15 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
CN110458101B (zh) * | 2019-08-12 | 2022-09-16 | 南京邮电大学 | 基于视频与设备结合的服刑人员体征监测方法及设备 |
CN112862645A (zh) * | 2019-11-27 | 2021-05-28 | 山东万博科技股份有限公司 | 建立多维度服刑人员状态信息模型的方法 |
CN112370765A (zh) * | 2020-01-21 | 2021-02-19 | 鲁姆文化传媒(上海)有限公司 | 一种人工智能健康监控管理平台 |
CN111523758A (zh) * | 2020-03-18 | 2020-08-11 | 北京易华录国际技术有限公司 | 一种监狱大数据分析系统 |
CN111935269A (zh) * | 2020-08-04 | 2020-11-13 | 上海交大慧谷通用技术有限公司 | 一种数据交换方法及系统 |
CN111935269B (zh) * | 2020-08-04 | 2023-08-25 | 上海交大慧谷通用技术有限公司 | 一种数据交换方法及系统 |
CN114418115A (zh) * | 2022-01-11 | 2022-04-29 | 华中师范大学 | 心理咨询师的共情会谈训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104050361B (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
Dangut et al. | An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset | |
CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
CN101907681B (zh) | 基于gsd_svdd的模拟电路动态在线故障诊断方法 | |
Baraldi et al. | Clustering for unsupervised fault diagnosis in nuclear turbine shut-down transients | |
CN106600115A (zh) | 一种企业信息系统运维智能分析方法 | |
Nguyen et al. | Automatic classification of traffic incident's severity using machine learning approaches | |
CN104503874A (zh) | 一种云计算平台的硬盘故障预测方法 | |
CN104636751A (zh) | 基于时间递归神经网络的人群异常检测和定位系统及方法 | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN115908022A (zh) | 一种基于网络建模的异常交易风险预警方法及系统 | |
Toloue et al. | Anomalous behavior detection of marine vessels based on Hidden Markov Model | |
CN114495498A (zh) | 一种交通数据分布有效性判别方法及装置 | |
Gürbüz et al. | Classification rule discovery for the aviation incidents resulted in fatality | |
Aquize et al. | Self-organizing maps for anomaly detection in fuel consumption. Case study: Illegal fuel storage in Bolivia | |
Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
CN113919544A (zh) | 犯罪预警方法、装置、计算机设备及存储介质 | |
Siaminamini et al. | Generating a risk profile for car insurance policyholders: A deep learning conceptual model | |
Chongchong et al. | A bridge structural health data analysis model based on semi-supervised learning | |
Gupta et al. | A robust system to detect and explain public mask wearing behavior | |
Xu et al. | Security monitoring data fusion method based on ARIMA and LS-SVM | |
Li et al. | Research on abnormal monitoring of vehicle traffic network data based on support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |