CN106126523A - 一种假币犯罪信息分析系统及分析方法 - Google Patents
一种假币犯罪信息分析系统及分析方法 Download PDFInfo
- Publication number
- CN106126523A CN106126523A CN201610409267.5A CN201610409267A CN106126523A CN 106126523 A CN106126523 A CN 106126523A CN 201610409267 A CN201610409267 A CN 201610409267A CN 106126523 A CN106126523 A CN 106126523A
- Authority
- CN
- China
- Prior art keywords
- counterfeit money
- module
- information
- user
- similarity
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 abstract description 6
- 238000005295 random walk Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种假币犯罪信息分析系统及分析方法，包括用户查询处理模块、数据获取模块、假币犯罪信息库、假币分析比对模块、假币样本库、假币相似度比对库、假币犯罪网络构建模块和节点相关性分析模块。该方法充分考虑假币信息和假币样本之间的相似性对假币犯罪信息分析的影响，并预先计算好大量假币样本之间的相似度。以假币案件、嫌疑人和假币三个对象和相互之间的关联来构建假币犯罪的异构信息网络，能够更准确地描述假币犯罪信息之间的关系。本发明能够使节点相关性分析结果更为准确，并且提升数据分析的效率。以可视化的方式展示对象之间的关系和属性也提升了用户办公的效率。
Description
技术领域
本发明涉及一种假币犯罪信息分析系统及分析方法，可以提升假币犯罪信息分析的准确性和效率，属于计算机应用领域。
背景技术
近些年来假币犯罪不断出现、对国家金融秩序和社会稳定带来一定的影响。通过对假币犯罪信息的分析可从中提取一些重要的办案线索、掌握案件的最新动态、为破获假币案件提供重要帮助。
目前，在犯罪信息的分析方法上面，更多的是采用传统的统计分析方法或者采用基于社会网络的分析方法。但是，由于假币案件的特殊性，如果采用基于社会网络的分析方法来分析假币犯罪信息可能不够准确。因为，假币是假币犯罪过程中的一个重要的物证，假币包含有一些重要的属性信息、对假币犯罪信息的分析能起到很大的作用，而现有的分析方法几乎没有考虑到假币的因素在里面。现有的犯罪分析方法主要集中在嫌疑人之间的关系分析上面、分析可能的犯罪团伙成员和挖掘犯罪网络的核心人员，更多的是采取同构信息网络的分析方法。而对于假币犯罪信息的分析应该综合考虑假币案件、嫌疑人和假币这三个重要的对象属性以及相关之间的关联，才能得出更准确的结果。
另外，在假币案件办案过程中发现假币犯罪很多都是团伙行为、累犯的比例也较高，并且同一个犯罪团伙制造的假币之间的相似度极高，主要是因为设计过程中的缺陷或者印刷中的差异导致的。在假币犯罪信息分析的过程中如果能够加入对假币之间相似度的分析将会增加信息之间的关联性。而现有的对假币的分析方法和分析技术主要考虑的是如何判断一张人民币是否为假币、很少考虑不同假币之间的相似性。同时，由于缴获假币的数量比较大，如果采用人工的方式进行假币两两之间的相似度比对将会耗费大量时间并且效率低下，如何快速实现对大量假币的分析比对获得假币之间的相似性是一个需要解决的技术问题。
发明内容
本发明技术解决问题：克服现有技术的不足，提供一种假币犯罪信息分析系统及分析方法，解决了假币犯罪信息分析过程中的假币犯罪信息的获取、假币之间相似度分析、假币犯罪网络的构建和节点间相关性分析的问题，提升了假币犯罪信息分析的效率和准确性。
本发明的技术解决方案：一种假币犯罪信息分析系统，由用户查询处理模块、数据获取模块、假币犯罪信息库、假币分析比对模块、假币样本库、假币相似度比对库、假币犯罪网络构建模块和节点相关性分析模块组成。
(1)用户查询处理模块，提供给用户的一个查询交互界面，用户可通过输入假币案件、嫌疑人、假币的查询条件来进行检索，用户查询处理模块把查询条件返回给应用服务器调用假币犯罪网络构建模块和节点相关性分析模块来处理用户的请求。然后，把假币犯罪网络构建模块和节点相关性分析模块的处理结果以可视化的假币犯罪信息网络图的方式展示给用户；
(2)数据获取模块，负责从外部数据源获取假币犯罪信息里面的假币案件信息C、嫌疑人信息P、假币信息M等信息，经过处理转换后存储到数据库服务器上的假币犯罪信息库中。同时，数据获取模块也负责将扫描处理后的假币图像上传到数据库服务器上的假币样本库中；
(3)假币犯罪信息库，负责存储数据获取模块从外部数据源获取的假币案件信息C、嫌疑人信息P、假币信息M等信息，并为假币犯罪网络构建模块和节点相关性分析模块提供数据支持；
(4)假币分析比对模块，负责不同假币之间相似度的比对计算并给出相似度得分。在新的假币样本图像上传到假币样本库的同时，假币分析比对模块负责计算新上传假币图像与假币样本库里相同分类假币之间的相似度，并将相似度结果存储到假币相似度比对库中；
(5)假币样本库，负责存储数据获取模块上传的假币样本图像以及假币特征区域的图像，并为假币分析比对模块提供假币图像数据的支持；
(6)假币相似度比对库，负责存储假币分析比对模块计算得出的相同分类假币两两之间的相似度，为假币犯罪网络构建模块和节点相关性分析模块提供数据支持；
(7)假币犯罪网络构建模块，根据用户的查询需求，通过对假币犯罪信息库和假币相似度比对库里数据的分析，以假币案件、嫌疑人和假币为对象，按照设定的展示层次来构建一个异构的假币犯罪信息网络，然后假币犯罪网络构建模块将结果返回给用户查询处理模块；
(8)节点相关性分析模块，以假币犯罪网络构建模块构建的假币犯罪信息网络为基础，结合节点的属性特征以及网络拓扑特征，来分析假币犯罪信息网络节点之间的相关性，然后将节点之间的相关性数据反馈给用户查询处理模块进行展示。
所述用户查询处理模块的实现过程为：
(1)用户登录假币犯罪信息分析的查询页面，根据需要来输入需要检索的信息，可输入需要查询的假币案件信息C、嫌疑人信息P、假币信息M。同时，需要设置搜索路径的长度，控制查询关联的范围；
(2)用户点击“查询”按钮之后，用户查询处理模块将会把查询条件返回给应用服务器调用假币犯罪网络构建模块和节点相关性分析模块来处理用户的请求，生成相关的假币犯罪信息网络数据和计算节点之间的相关性数值；
(3)假币犯罪网络构建模块和节点相关性分析模块把处理的结果返回给用户查询处理模块，用户查询处理模块接收到数据之后将会采用包含假币案件、嫌疑人和假币三种对象为节点的假币犯罪信息网络图的方式展示给用户；
(4)用户在查看假币犯罪信息网络图的同时、可点击任意一个节点，用户查询处理模块会以浮动窗口的方式展示该节点的属性信息以及同类型节点之间的相关性数值。
所述数据获取模块的实现过程为：
(1)在进行数据分析之前，需要从公安部门的相关信息系统里来获取假币犯罪信息，因为这些系统一般都在内网，可通过数据库视图的方式来进行数据的集成，获取的数据包括假币案件信息C、嫌疑人信息P、假币信息M；
(2)对获取的外部数据进行检查、保证数据的可用性和一致性，同时，根据数据分析的需要，对一些数据的内容和格式进行一定的转换，方便进行后续的分析；
(3)将上面处理好的数据存储到数据库服务器上的假币犯罪信息库中，为数据分析做准备；
(4)将大量已收集的假币样本按照规定的格式进行扫描，一般采集白光、紫外、红外三种不同光线下的假币图像，采集的时候按照相同的分辨率，并去除掉扫描图像的黑边只保留假币的图像区域；
(5)采集所有的假币样本图像、并将扫描后的图像上传到服务器上建立假币样本库，每个样本录入对应的年版E、面额D、光线L信息；
(6)当新增一个假币样本的时候，按照上面步骤(4)扫描假币样本并上传图像到到假币样本库中。
所述假币分析比对模块的实现过程为：
(1)针对不同年版和面额假币的防伪识别特征和识别区域进行分类和定义，将每类假币的特征区域定义cr进行汇总建立假币样本的特征区域定义集合FADedk＝{cred1,cred2,...,credk}，其中e代表年版、d代表面额、k代表具有的特征区域数量；
(2)当新上传一个假币图像的时候，假币分析比对模块会确定该假币的分类，然后根据特征区域定义FAD从整张假币图像上提取特征区域的图像，并存储到数据库服务器的假币样本库里；
(3)采用基于SIFT(Scale invariant feature transform，尺度不变特征转换)特征点的图像相似度计算方法计算两个假币对应特征区域之间的相似度其中k为特征区域的数量、i表示原始特征区域图像、j表示要比对的特征区域图像，Ni为原始特征区域的特征点数量，Nj为比对特征区域匹配的特征点数量；
(4)两张假币样本之间的相似度其中α是每个特征区域对应的权重系数，K是当前分类假币特征区域的数量；
(5)按照上述步骤(3)、(4)的方法，将所有存在的年版E和面额D相同的假币之间两两比对计算之间的相似度，将所有相似度比对的结果存入到假币相似度比对库中；
(6)当增加一张新的假币样本的时候，需要按照上述步骤(2)、(3)、(4)的流程计算该假币与假币样本中已存在的相同年版和面额假币之间的相似度，然后将相似度比对的结果存入到假币相似度比对库中。
所述的假币犯罪信息库，主要负责存储数据获取模块从外部数据源获取的假币案件信息、嫌疑人信息、假币信息信息，另外、还要存储假币案件、嫌疑人和假币之间的关联关系信息，以及基础信息的代码。同时，假币犯罪信息库也为假币犯罪网络构建模块和节点相关性分析模块提供数据支持。在假币犯罪信息库设计的时候要根据数据分析的需要进行设计，包括做好数据库表的主键和外键设计，基础代码的引用，关键字段的索引，存储空间的规划等工作，以提升分析的效率。
所述的假币样本库，主要是负责存储假币样本扫描和处理后的图像数据，以及假币特征区域的图像，同时为假币分析比对模块提供假币图像数据的支持。由于假币样本数量多并且扫描的图像占用的空间较大，在设计的过程中要做好数据存储空间和备份空间的容量，以及数据传输带宽的设计，保证实现图像的快速存储和读取服务。
所述的假币相似度比对库，负责存储假币分析比对模块计算得出的相同分类假币两两之间的相似度，为假币犯罪网络构建模块和节点相关性分析模块提供数据支持。由于假币样本的数量较多，相同分类假币两两之间比对的结果会更多，所以，假币相似度比对库需要针对快速的数据读取进行设计，包括做好关键字段的索引，以及采用基础代码等。
所述假币犯罪网络构建模块的实现过程为：
(1)假币犯罪网络构建模块接收到用户查询处理模块的请求后，根据用户查询条件从假币犯罪信息库和假币相似度比对库里查找对应的假币案件C、嫌疑人P或者假币M对象；
(2)按照用户设定的搜索路径长度以当前对象为起点通过对象之间的关联关系查找相关的对象，按照层次关系逐层进行查找、一直关联到用户设定的路径长度为止；
(3)将上述查找结果生成假币犯罪的异构信息网络图，假币犯罪信息网络定义为有向图G＝<V,E>的形式，有一个对象类型映射函数φ:V→A和一个关系类型映射函数
(4)获取上面所有查找到的对象的属性信息，包括假币案件C、嫌疑人P、假币M的属性信息，在生成的假币犯罪信息网络节点中进行展示，同时也用于后面数据的分析；
(5)然后假币犯罪网络构建模块将结果数据返回给用户查询处理模块，通过用户查询处理模块展示给用户。
所述节点相关性分析模块的实现过程为：
(1)以生成的假币犯罪信息网络为输入，构建出查询与待分析相关性节点的二元组<Q,R>，其中Q表示查询节点，R表示待分析相关性的节点。采用基于元路径的异构信息网络的节点相关性度量方法来计算节点相关性排序中的拓扑特征；
(2)计算原始节点与查询节点间的假币案件、嫌疑人和假币的属性特征，按照数值、地理位置、时间、字符串和文本几种数据类型分别采用不同的计算方法；
(3)将上述计算获得的拓扑特征和属性特征进行组合，输入到节点相关性排序模型计算得到相关性结果，返回给用户查询处理模块。节点相关性排序模型采用Ranking SVM排序算法；
(4)将节点之间的相关性数据返回给用户查询处理模块展示给用户，通过在网络中用不同大小的图标来表示当前节点与查询节点之间的相关性大小，也可以通过对象的属性查看当前节点与查询节点之间的相关性数值。
一种假币犯罪信息分析方法，该方法实现步骤如下：
(1)首先数据获取模块从外部数据源以数据库视图的方式获取假币犯罪信息，包括假币案件信息C、嫌疑人信息P和假币信息M，对获取的数据进行检查、处理和转换后存储到假币犯罪信息库中为后续的分析提供数据支撑；
(2)按照规定的要求扫描所有的假币样本，对扫描图像进行一定的处理，包括去除假币图像的黑边和旋转校正等，然后上传到数据库服务器上的假币样本库中；
(3)针对每类假币的防伪识别特征和识别区域进行定义，建立假币样本的特征区域定义集合。当新上传一个假币图像的时候，假币分析比对模块会确定该假币的分类，然后根据特征区域定义从整张假币图像上提取特征区域的图像，并存储到数据库服务器的假币样本库里；
(4)利用假币相似度比对模块提前做好同类假币两两之间的相似度比对计算结果并存储到假币相似度比对库里，可以为后续的数据分析节省大量的时间。先计算两个假币对应特征区域之间的相似度，然后按照每个特征区域之间的相似度结合权重系数来计算整张假币之间的整体相似度；
(5)完成前面的数据准备工作之后，通过用户查询处理模块接收用户的查询条件并调用假币犯罪网络构建模块来处理用户的请求。假币犯罪网络构建模块将按照用户设定的搜索路径长度通过对象之间的关联关系查找相关的对象，一直关联到用户设定的路径长度为止。然后以假币案件C、嫌疑人P、和假币M三种对象以及对象之间的关联关系为基础来构建查询结果对应的假币犯罪信息网络；
(6)用户查询处理模块调用节点相关性分析模块来计算节点之间的相关性。节点相关性分析模块以生成的假币犯罪信息网络为输入，首先计算网络的拓扑特征和节点之间的属性特征，然后将2个计算结果进行组合，输入到节点相关性排序模型计算得到相关性结果；
(7)用户查询处理模块接收到假币犯罪网络构建模块和节点相关性分析模块的计算结果之后，以可视化的假币犯罪信息网络图的方式展示给用户，用户可在网络上查询节点的属性信息以及同类型节点之间的相关性。
本发明与现有技术相比的优点在于：
(1)采用包括假币案件、嫌疑人和假币三个对象构建的假币犯罪异构信息网络能够更准确描述假币犯罪信息之间的关系，展示的信息也将更为全面。
(2)考虑假币信息和假币样本图像之间相似度的分析、并预先计算好大量样本之间的相似度比对结果，考虑到了假币信息在假币犯罪信息分析中的作用，能够使节点相关性分析以及其他相关的分析结果更为准确，并且提升数据分析的效率。
(3)以可视化的假币犯罪信息网络图的方式展示用户的查询和节点相关性分析结果，让用户更为直观掌握对象之间的关系，提升了办公的效率。
附图说明
图1为本发明中假币犯罪信息分析系统的体系结构图；
图2为本发明中数据获取模块的实现过程图；
图3为本发明中假币分析比对模块的实现过程图；
图4为本发明中假币犯罪网络构建模块的实现过程图；
图5为本发明中假币犯罪信息网络节点之间关系图；
图6为本发明中节点相关性分析模块的实现过程图；
图7为本发明中假币间相似度比对计算的结果图；
图8为本发明中用户查询生成的假币犯罪网络图；
图9为本发明中包含节点相关性的假币犯罪网络图。
具体实施方式
下面将结合附图对本发明做进一步说明。
本发明的系统结构如图1所示，由用户查询处理模块、数据获取模块、假币犯罪信息库、假币分析比对模块、假币样本库、假币相似度比对库、假币犯罪网络构建模块和节点相关性分析模块组成。其中，用户查询处理模块负责处理与用户的交互操作与结果的可视化展示；数据获取模块和假币分析比对模块负责假币犯罪信息数据的获取、处理和存储操作，以及将系统资源消耗多、耗时较长的假币样本比对操作预先处理好结果存储到数据库中、从而提升数据分析效率；假币犯罪网络构建模块和节点相关性分析模块实现假币犯罪异构信息网络的构建与数据的分析；假币犯罪信息库、假币样本库和假币相似度比对库负责数据的存储并为数据分析提供支持。
本发明的用户查询处理模块主要负责与用户的交互与查询结果的可视化展示，具体实现方式如下：
(1)首先，用户查询处理模块负责接收用户的查询输入信息，用户可单独输入假币案件信息C、嫌疑人信息P或者假币信息M，也可以几种组合来输入、让查询结果更为精确。如果多个条件组合输入的时候需要明确要查询的对象类型。同时，用户需要设置一下查询生成网络的大小和关联的程度，即需要设置搜索路径的长度，一般来说建议设置为4，查询出来的结果方便浏览，查询速度也会较快，而太长的路径耗时将会更长。
(2)用户查询处理模块把查询条件返回给应用服务器调用假币犯罪网络构建模块来处理用户的请求。假币犯罪网络构建模块根据设置的路径长度查找关联的对象，并根据对象间的关联关系生成假币犯罪网络数据。同时用户查询处理模块调用节点相关分析模块来计算网络上同类型节点之间的相关性数值。
(3)当用户查询处理模块接收到假币犯罪网络构建模块返回的假币犯罪信息网络数据以及节点相关分析模块返回的节点间相关性数值的时候，将会以可视化的假币犯罪信息网络图的方式展示给用户。假币犯罪信息网络图由假币案件、嫌疑人和假币三种对象以及相互之间的关系组成，对象之间的关联通过线进行连接。
(4)在假币犯罪信息网络图中，根据同类型节点之间的相关性计算数据，通过不同大小的图标来表示当前节点与查询节点之间的相关性大小，小的图标表示相关性较小。同时，用户可点击任意一个节点，用户查询处理模块会以浮动窗口的方式展示该节点的属性信息以及同类型节点之间的相关性数值。
另外，由于节点相关性的计算需要消耗较多的时间，尤其是查询生成的网络较大的时候计算时间会更长。考虑到性能的原因，假币犯罪网络构建和节点之间相关性分析可分开来进行，用户可先生成假币犯罪信息网络、然后根据需要来选择是否进行相关性的计算，这样可以节省大量的时间方便浏览。
本发明的数据获取模块具体实现方式如图2所示，在进行假币犯罪信息网络构建和相关性分析之前从外部数据源获取假币犯罪信息，同时扫描和上传假币样本的图像。
(1)首先，需要从外部数据源也就是公安部门的相关信息系统里获取假币犯罪信息，获取的数据包括假币案件信息C、嫌疑人信息P、假币信息M，一般没有假币图像数据。这些系统一般都处于内网，所以，可以通过数据库视图View的方式来进行数据的集成，数据的安全能够得到保障。根据数据分析的需要定义数据库视图、确定字段的主键和外键，同时，还需要同步用到的基础信息的代码集，例如：行政区划、案件类型、作案手段、案件罪名、案件来源、年版、面额、伪造方式等。第一次采取全部同步的方式，后续根据更新频率采取增量同步的方式。
(2)对获取的数据进行检查、保证数据的可用性和一致性。检查的内容包括信息项是否完整、是否有错误的字段、是否采用了基础代码、信息关联是否正确等。同时，还需要对获取的数据进行一定的转换和处理，包括数据类型的转换、基础代码的转换、对象之间关联关系的建立等，满足数据分析的需要。
(3)将处理好的假币犯罪信息，主要是假币案件信息、嫌疑人信息和假币信息，存储到假币犯罪信息库中。在数据库中除了存储基本信息之外，还要存储假币案件信息、嫌疑人信息和假币信息之间的关联关系。
(4)将大量已收集的假币样本扫描转换为图像，为假币之间相似度比对提供图像数据。为保证对比分析的精确性，对图像的处理要求包括：扫描的精度建议不要低于1600dpi，采集固定波长和强度的白光、紫外、红外三种光线下的假币图像，如果通过多个扫描仪来完成建议保证在同等的光线条件下。扫描后的图像要进行一定的处理，包括去除扫描的背景图像、对图像进行倾斜校正操作，只保留假币图像。
(5)不断重复上面的步骤来采集所有的假币样本图像、并将扫描后的图像上传到假币样本库中，每个假币样本录入对应的年版E、面额D、冠字号码、对应光线L的信息。如果与假币案件和嫌疑人存在关联关系、也要录入对应的关联关系信息。
同时，当有新的假币样本出现的时候，需要按照上面步骤的要求继续扫描假币样本，并对图像进行处理之后上传到假币样本库中。
假币犯罪信息库除了存储数据获取模块从外部数据源获取的假币犯罪信息之外，也为假币犯罪网络构建模块和节点相关性分析模块提供数据支持。为了提升数据存储和访问的性能，在假币犯罪信息库设计的时候要根据数据分析的需要进行设计，包括做好数据库表的主键和外键设计，基础代码的引用，关键字段的索引，存储空间的规划等工作，以提升分析的效率。
本发明的假币分析比对模块具体实现方式如图3所示，主要负责对假币样本库里存储的假币样本图像按照年版和面额相同的分类方式两两进行比对，计算同一分类假币样本两两之间的相似度数值，为后续的数据分析提供支撑。预先进行假币样本之间的相似度计算，可以为后续的分析节省大量的时间，因为图像之间的相似度计算需要消耗很多的服务器资源和时间。
(1)在进行假币的分析比对之前需要进行假币的分类工作，由于人民币和假币都具有不同的年版E和面额D、并且防伪点和防伪识别方式也不相同、安全线和红蓝纤维的位置不固定，为了更好地进行比对和分析，需要针对每类假币的防伪识别特征和识别区域进行定义，然后将每类假币的特征区域定义FAD(Feature area definition)进行汇总建立假币样本的特征区域定义集合FADedk＝{cred1,cred2,...,credk}，其中e代表年版、d代表面额、k代表具有的特征区域数量。假币的特征区域即包括假币的正面也包括反面。假币之间相似度的计算主要通过这些特征区域之间的比对来完成。
(2)当新上传一个假币图像的时候，假币分析比对模块会确定该假币的分类，然后根据特征区域定义FAD从整张假币图像上提取特征区域的图像，并存储到数据库服务器的假币样本库里。假币之间相似度的计算不进行整张假币图像的比对、只进行假币对应特征区域之间的比对。每次上传假币图像的时候提取特征区域图像并进行存储，以后比对的时候直接从服务器上读取特征区域的图像即可，不用再重新从整张假币中提取，节省了大量的时间。所以，新上传假币图像的同时，即要存储整张假币图像、同时也要存储提取的特征区域图像。
(3)两张年版E和面额D相同的同类假币之间相似度的计算，是通过所有对应特征区域之间的相似度计算、再得出整张假币之间的相似度。首先需要计算每一个对应特征区域之间的相似度。
图像间相似性度量一般是根据所对比图像的特点来选取分析的方法，一般按照图像的颜色特征、形状特征、纹理特征和局部不变性特征等来进行分析，针对每种特征也有不同的算法。由于假币样本之间比对主要是针对设计过程中的缺陷或者印刷中的差异来进行分析，采用图像特征匹配算法更适合进行相似度的分析，这里采用基于SIFT(Scaleinvariant feature transform，尺度不变特征转换)特征点的图像相似度计算方法。SIFT方法对于旋转、尺度缩放、亮度变化保持不变性，对噪声也保持一定程度的稳定性。
SIFT是一个比较经典的算法，算法过程主要有四个步骤：极值点检测、关键点定位、关键点方向分配和关键点描述。首先选取原始的假币图像，通过算法来计算其中的SIFT特征点、得到Ni个特征点；然后再计算要比对的假币图像与原始图像相匹配的特征点，得到匹配的特征点数量为Nj。那么当前要比对的特征区域的相似度其中k为特征区域的数量、i表示原始特征区域图像、j表示要比对的特征区域图像。在计算的过程中为了保证足够多匹配的特征点数量和精度，建议尺度空间因子σ的取值在0.5-0.6之间。通过这种方法陆续获得所有对应特征区域之间的相似度的数值。
(4)计算两张假币样本之间的相似度，主要是通过每个特征区域相似度来进行计算，假币样本相似度其中α是每个特征区域对应的权重系数，K是当前分类假币特征区域的数量。一般先计算白光图像之间的相似度，而红外和紫外光线下的相似度作为白光下假币相似度的一个校验，当数值差别较大的时候需要通过人工的方式来检查存在的原因。另外，也可以通过取3种光线下相似度的平均值作为总的相似度。
(5)按照上述步骤(3)、(4)的方法，将所有年版E和面额D相同的假币之间两两比对计算之间的相似度，将所有相似度比对的结果存入到假币相似度比对库中。因为图像之间的比对比较消耗时间，二张假币之间的相似度的计算可能需要十几秒的时间，所以，提前计算得出假币之间相似度数值对于后续的数据分析具有重要意义，大大加快了数据分析的速度。
(6)当增加一张新的假币样本的时候，需要按照上述步骤(2)、(3)、(4)的流程，确定所属分类、特征区域提取、计算该假币与假币样本中已存在的相同年版和面额假币之间的相似度，并将结果存储到假币相似度比对库中。
假币样本库存储假币样本扫描和处理后的图像以及假币特征区域的图像，同时为假币分析比对模块提供假币图像数据的支持。由于一张假币样本需要扫描三种光线下正反面的图像存储到假币样本库中、同时还需要存储提取的特征区域图像，一般一个假币样本扫描和处理后上传到假币样本库中需要占用100M左右的空间。所以，假币样本库在设计的时候要充分考虑到存储空间和备份空间的容量。另外，图像的传输需要占用较多网络的带宽，要做好数据传输带宽的设计，保证图像的快速存储和读取服务。
假币相似度比对库用来存储假币样本之间预先比对的结果信息，为假币犯罪网络构建模块和节点相关性分析模块提供数据支持。由于假币样本的数量较多，相同分类假币两两之间组合比对后的结果会更多，相同分类下比对结果的数量相当于该分类中所有假币样本中任意取2个假币样本的组合的数量。所以，假币相似度比对库要针对快速的数据读取进行设计，包括做好关键字段的索引、多个查询字段的复合索引、以及采用基础代码等，来提升数据访问的效率。
本发明的假币犯罪网络构建模块具体实现方式如图4所示，根据用户的查询条件和设置从假币犯罪信息库和假币相似度比对库里查找相关联的对象、获取对象属性信息、并生成可视化的假币犯罪信息网络图。
(1)假币犯罪网络构建模块接收到用户查询处理模块的请求后，根据用户查询条件从假币犯罪信息库和假币相似度比对库中查找到对应的假币案件C、嫌疑人P或者假币M对象。如果用户只输入某一类型信息进行查询的时候将查询得到对应类型的对象，而如果用户输入多种条件组合查询的时候将根据用户指定的对象类型来查询得到对应类型的对象，后续将以这个对象为基础查找关联的其他对象。
(2)按照用户设定的搜索路径长度以当前对象为起点通过对象之间的关联查找相关的对象，按照层次关系逐层进行查找、一直关联到用户设定的路径长度为止。这里的对象也就是节点的类型A＝{Case,Person,Money}，即假币案件C、嫌疑人P、和假币M三种对象。节点之间的关系类型如图5所示，节点之间的关系R＝{involve,involved in,related by,identical,similar}，其中：
involve指该案件中的嫌疑人；
involved in指嫌疑人涉及的案件；
related by指该案件中涉及的假币；
identical指的是两条同名嫌疑人记录之间的关系；
similar指假币之间的关联、包括冠字号相同和假币之间相似度很高的情况。
(3)根据查找结果生成假币犯罪的异构信息网络，定义为有向图G＝<V,E>的形式，有一个对象类型映射函数φ:V→A和一个关系类型映射函数
(4)获取上面所有查找到的对象的属性信息，包括假币案件C、嫌疑人P、假币M的主要属性信息，将会在生成的假币犯罪信息网络节点中进行展示，同时也用于后面数据的分析。
假币案件对象C的主要属性：案件编号、案发时间、案件地点、简要案情、立案单位以及涉案金额等。
嫌疑人对象P的主要属性：嫌疑人的编号、姓名、身份证号、电话号码、文化程度、户籍地、现居住地和涉案情况等。
假币对象M的主要属性：假币的编号、年版、面额、币种、冠字号以及一些假币的物理特征，包括有无水印、厚度、有无荧光和伪造方式等。
(5)假币犯罪网络构建模块处理完后将结果数据返回给用户查询处理模块，通过用户查询处理模块展示给用户。
本发明的节点相关性分析模块具体实现方式如图6所示，综合考虑假币案件、嫌疑人和假币在假币犯罪信息网络中的拓扑结构特征以及其自身带有的属性特征来进行节点之间相关性的计算，将会使排序结果更为准确。
(1)首先，将用户查询生成的假币犯罪网络作为输入、计算假币犯罪网络的拓扑特征。构建出查询与待分析相关性节点的二元组<Q,R>，其中Q表示查询节点，R表示待分析相关性的节点。假币犯罪信息网络中节点相关性排序中的拓扑特征计算，采用基于元路径的异构信息网络的节点相关性度量方法，分别是path count(元路径数)、normalized pathcount(归一化元路径数)、random walk(随机游走)以及symmetric random walk(对称随机游走)作为假币犯罪信息网络中节点相关性排序中的拓扑特征。
Path count(元路径数)：指的是两个对象之间遵循一条给定的元路径关系的路径实例的个数，表示为PCR(ai,aj)，其中R是元路径表示的关系的缩写，ai和aj是假币犯罪信息网络上的任意2个节点。
Normalized path count(归一化元路径数)：指的是两个对象之间符合一条给定的关系R的路径实例的个数与两个对象基于关系R的所有路径实例的比值，其中，关系R-1表示关系R的逆关系，PCR(ai,·)表示所有起点为ai并且遵循关系R的路径实例总数，PCR(·,aj)表示所有终点为aj并且遵循元路径关系R的总数。
Random walk(随机游走)：指的是从起点ai出发，遵循关系R随机游走，到达节点aj的概率，
Symmetric random walk(对称随机游走)：指的是以ai为起点，遵循关系R随机游走，到达终点aj的概率与以起点aj出发为起点，遵循关系R的逆关系R-1随机游走，到达节点ai的概率的和，
(2)计算查询与待分析节点之间假币案件、嫌疑人和假币的属性特征，由于属性特征的数据类型不同，将按照属性的数据类型进行计算。
数值类型属性直接计算差值；地理位置类型属性计算两个位置之间的距离；时间类型属性通过计算间隔的时间转换成数值类的特征计算；字符串类型属性通过比较两个字符串是否一致来计算；文本类型属性是通过计算文本之间的相似度来实现，首先对文本进行中文分词，然后使用Jaccard计算文本的相似度其中集合A和B表示文本a和b通过分词后得到的词的集合。
(3)将上述计算获得的拓扑特征和属性特征进行组合，输入到节点相关性排序模型计算得到相关性结果。节点相关性排序模型采用Ranking SVM算法，是排序算法中的一个经典算法。Ranking SVM采用偏序的文档对作为训练样例，学习的优化目标是在排序函数对文档的排序中，文档逆序对的个数最少，逆序对是指将更为相关的文档排在后面的文档对，优化函数为：
其中Pi为查询qi中所有偏序关系对组成的集合，w为要求的线性参数，C是在风险和间隔之间选取的一个折中参数，一般是一个较大的大于0的值，M为总的偏序对个数，εijk为松弛因子。当时，即相对于来说与查询qi更相关时，否则为-1。
选择已经标注好的节点相关性数据作为训练数据，选用Ranking SVM算法训练排序模型，测试数据的结构和训练数据相同。对于测试集中的每一条记录，使用排序模型计算待分析节点的得分获得相关性结果，其得分是一个在0到1之间的小数，得分越高说明两个节点越相关。
(4)通过节点相关性分析模块计算查询节点与所有同类型待分析节点之间的相关性数值，然后返回给用户查询处理模块展示给用户。用户查询处理模块通过在网络中用不同大小的图标来表示当前节点与查询节点之间的相关性大小，小的图标表示相关性较小。同时，也可以通过对象的属性查看当前节点与查询节点之间的相关性数值。
收集了一些假币犯罪信息的测试数据，也包括一些假币样本的扫描图片。通过假币分析比对模块计算同类型假币之间的相似度，假币间相似度比对计算的结果如图7所示，以百分比的方式显示两张假币之间的相似度，这些数据为后面的假币犯罪信息网络构建和相关性分析提供基础数据支持。通过用户查询处理模块输入检索信息，查询生成的假币犯罪信息网络如图8所示，网络由假币案件、嫌疑人和假币三种对象和相互之间的关联构成，当查询的路径长度较大的时候网络图的内容较多，需要放大之后查看细节。考虑到节点之间相关性结果的假币犯罪信息网络图如图9所示，在图中通过对象图标的大小来展示当前节点与查询对象之间的相关性大小，可以很方便的快速掌握对象之间相关性的情况，同时，也可以点击节点通过浮动窗口来查看对象的属性信息。
本发明未详细阐述部分属于本领域公知技术。
Claims (8)
1.一种假币犯罪信息分析系统，其特征在于：包括用户查询处理模块、数据获取模块、假币犯罪信息库、假币分析比对模块、假币样本库、假币相似度比对库、假币犯罪网络构建模块和节点相关性分析模块；其中：
用户查询处理模块，提供给用户的一个查询交互界面，用户可通过输入假币案件、嫌疑人、假币的查询条件来进行检索；用户查询处理模块把查询条件返回给应用服务器调用假币犯罪网络构建模块和节点相关性分析模块来处理用户的请求；然后把假币犯罪网络构建模块和节点相关性分析模块的处理结果以可视化的假币犯罪信息网络图的方式展示给用户；
数据获取模块，负责从外部数据源获取假币犯罪信息里面的假币案件信息C、嫌疑人信息P、假币信息M信息，经过处理转换后存储到数据库服务器上的假币犯罪信息库中；同时，数据获取模块也负责将扫描处理后的假币图像上传到数据库服务器上的假币样本库中；
所述的假币犯罪信息库，负责存储数据获取模块从外部数据源获取的假币案件信息C、嫌疑人信息P、假币信息M信息；另外、还要存储假币案件、嫌疑人和假币之间的关联关系信息，以及基础信息的代码；同时，假币犯罪信息库也为假币犯罪网络构建模块和节点相关性分析模块提供数据支持；
假币分析比对模块，负责不同假币之间相似度的比对计算并给出相似度得分；在新的假币样本图像上传到假币样本库的同时，假币分析比对模块负责计算新上传假币图像与假币样本库里相同分类假币之间的相似度，并将相似度结果存储到假币相似度比对库中；
假币样本库，负责存储数据获取模块上传的假币样本图像以及假币特征区域的图像，并为假币分析比对模块提供假币图像数据的支持；
假币相似度比对库，负责存储假币分析比对模块计算得出的相同分类假币两两之间的相似度，为假币犯罪网络构建模块和节点相关性分析模块提供数据支持；
假币犯罪网络构建模块，根据用户的查询需求，通过对假币犯罪信息库和假币相似度比对库里数据的分析，以假币案件、嫌疑人和假币为对象，按照设定的展示层次来构建一个异构的假币犯罪信息网络，然后假币犯罪网络构建模块将结果返回给用户查询处理模块；
节点相关性分析模块，以假币犯罪网络构建模块构建的假币犯罪信息网络为基础，结合节点的属性特征以及网络拓扑特征，来分析假币犯罪信息网络节点之间的相关性，然后将节点之间的相关性数据反馈给用户查询处理模块进行展示。
2.根据权利要求1所述的假币犯罪信息分析系统，其特征在于：所述用户查询处理模块的实现过程为：
(1)用户登录假币犯罪信息分析的查询页面，根据需要来输入需要检索的信息，可输入需要查询的假币案件信息C、嫌疑人信息P、假币信息M；同时，需要设置搜索路径的长度，控制查询关联的范围；
(2)用户点击“查询”按钮之后，将会把查询条件返回给应用服务器，调用假币犯罪网络构建模块和节点相关性分析模块来处理用户的请求，生成相关的假币犯罪信息网络数据和计算节点之间的相关性数值；
(3)假币犯罪网络构建模块和节点相关性分析模块把处理的结果返回给用户查询处理模块，用户查询处理模块接收到数据之后将会采用包含假币案件、嫌疑人和假币三种对象为节点的假币犯罪信息网络图的方式展示给用户；
(4)用户在查看假币犯罪信息网络图的同时、可点击任意一个节点，用户查询处理模块会以浮动窗口的方式展示该节点的属性信息以及同类型节点之间的相关性数值。
3.根据权利要求1所述的假币犯罪信息分析系统，其特征在于：所述数据获取模块实现过程为：
(1)在进行数据分析之前，需要从公安部门的相关信息系统里来获取假币犯罪信息，因为这些系统一般都在内网，可通过数据库视图的方式来进行数据的集成，获取的数据包括假币案件信息C、嫌疑人信息P、假币信息M；
(2)对获取的外部数据进行检查、保证数据的可用性和一致性，同时，根据数据分析的需要，对一些数据的内容和格式进行一定的转换，方便进行后续的分析；
(3)将上面处理好的数据存储到数据库服务器上的假币犯罪信息库中，为数据分析做准备；
(4)将大量已收集的假币样本按照规定的格式进行扫描，采集白光、紫外、红外三种不同光线下的假币图像，采集的时候按照相同的分辨率，并去除掉扫描图像的黑边只保留假币的图像区域；
(5)采集所有的假币样本图像、并将扫描后的图像上传到服务器上建立假币样本库，每个样本录入对应的年版E、面额D、光线L信息；
(6)当新增一个假币样本的时候，按照上面步骤(4)扫描假币样本并上传图像到到假币样本库中。
4.根据权利要求1所述的假币犯罪信息分析系统，其特征在于：所述假币分析比对模块实现过程为：
所述假币分析比对模块的实现过程为：
(1)针对不同年版和面额假币的防伪识别特征和识别区域进行分类和定义，将每类假币的特征区域定义cr进行汇总建立假币样本的特征区域定义集合FADedk＝{cred1,cred2,...,credk}，其中e代表年版、d代表面额、k代表具有的特征区域数量；
(2)当新上传一个假币图像的时候，假币分析比对模块会确定该假币的分类，然后根据特征区域定义FAD从整张假币图像上提取特征区域的图像，并存储到数据库服务器的假币样本库里；
(3)采用基于SIFT(Scale invariant feature transform，尺度不变特征转换)特征点的图像相似度计算方法计算两个假币对应特征区域之间的相似度其中k为特征区域的数量、i表示原始特征区域图像、j表示要比对的特征区域图像，Ni为原始特征区域的特征点数量，Nj为比对特征区域匹配的特征点数量；
(4)两张假币样本之间的相似度其中α是每个特征区域对应的权重系数，K是当前分类假币特征区域的数量；
(5)按照上述步骤(3)、(4)的方法，将所有存在的年版E和面额D相同的假币之间两两比对计算之间的相似度，将所有相似度比对的结果存入到假币相似度比对库中；
(6)当增加一张新的假币样本的时候，需要按照上述步骤(2)、(3)、(4)的流程计算该假币与假币样本中已存在的相同年版和面额假币之间的相似度，然后将相似度比对的结果存入到假币相似度比对库中。
5.根据权利要求1所述的假币犯罪信息分析系统，其特征在于：所述假币犯罪网络构建模块实现过程为：
(1)假币犯罪网络构建模块接收到用户查询处理模块的请求后，根据用户查询条件从假币犯罪信息库和假币相似度比对库里查找对应的假币案件C、嫌疑人P或者假币M对象；
(2)按照用户设定的搜索路径长度以当前对象为起点通过对象之间的关联关系查找相关的对象，按照层次关系逐层进行查找、一直关联到用户设定的路径长度为止；
(3)将上述查找结果生成假币犯罪的异构信息网络图，假币犯罪信息网络定义为有向图G＝<V,E>的形式，有一个对象类型映射函数φ:V→A和一个关系类型映射函数E→R；
(4)获取上面所有查找到的对象的属性信息，包括假币案件C、嫌疑人P、假币M的属性信息，在生成的假币犯罪信息网络节点中进行展示，同时也用于后面数据的分析；
(5)然后假币犯罪网络构建模块将结果数据返回给用户查询处理模块，通过用户查询处理模块展示给用户。
6.根据权利要求1所述的假币犯罪信息分析系统，其特征在于：所述节点相关性分析模块实现过程为：
(1)以生成的假币犯罪信息网络为输入，构建出查询与待分析相关性节点的二元组<Q,R>，其中Q表示查询节点，R表示待分析相关性的节点。采用基于元路径的异构信息网络的节点相关性度量方法来计算节点相关性排序中的拓扑特征；
(2)计算原始节点与查询节点间的假币案件、嫌疑人和假币的属性特征，按照数值、地理位置、时间、字符串和文本几种数据类型分别采用不同的计算方法；
(3)将上述计算获得的拓扑特征和属性特征进行组合，输入到节点相关性排序模型计算得到相关性结果，返回给用户查询处理模块；
(4)将节点之间的相关性数据返回给用户查询处理模块展示给用户，通过在网络中用不同大小的图标来表示当前节点与查询节点之间的相关性大小，也可以通过对象的属性查看当前节点与查询节点之间的相关性数值。
7.根据权利要求6所述的假币犯罪信息分析系统，其特征在于：所述节点相关性排序模型采用Ranking SVM排序算法。
8.一种假币犯罪信息分析方法，其特征在于实现步骤如下：
(1)首先数据获取模块从外部数据源以数据库视图的方式获取假币犯罪信息，包括假币案件信息C、嫌疑人信息P和假币信息M，对获取的数据进行检查、处理和转换后存储到假币犯罪信息库中为后续的分析提供数据支撑；
(2)按照规定的要求扫描所有的假币样本，对扫描图像进行一定的处理，包括去除假币图像的黑边和旋转校正，然后上传到数据库服务器上的假币样本库中；
(3)针对每类假币的防伪识别特征和识别区域进行定义，建立假币样本的特征区域定义集合；当新上传一个假币图像的时候，假币分析比对模块会确定该假币的分类，然后根据特征区域定义从整张假币图像上提取特征区域的图像，并存储到数据库服务器的假币样本库里；
(4)利用假币相似度比对模块提前做好同类假币两两之间的相似度比对计算结果并存储到假币相似度比对库里，可以为后续的数据分析节省大量的时间；先计算两个假币对应特征区域之间的相似度，然后按照每个特征区域之间的相似度结合权重系数来计算整张假币之间的整体相似度；
(5)完成前面的数据准备工作之后，通过用户查询处理模块接收用户的查询条件并调用假币犯罪网络构建模块来处理用户的请求；假币犯罪网络构建模块将按照用户设定的搜索路径长度通过对象之间的关联关系查找相关的对象，一直关联到用户设定的路径长度为止，然后以假币案件C、嫌疑人P、和假币M三种对象以及对象之间的关联关系为基础来构建查询结果对应的假币犯罪信息网络；
(6)用户查询处理模块调用节点相关性分析模块来计算节点之间的相关性；节点相关性分析模块以生成的假币犯罪信息网络为输入，首先计算网络的拓扑特征和节点之间的属性特征，然后将2个计算结果进行组合，输入到节点相关性排序模型计算得到相关性结果；
(7)用户查询处理模块接收到假币犯罪网络构建模块和节点相关性分析模块的计算结果之后，以可视化的假币犯罪信息网络图的方式展示给用户，用户可在网络上查询节点的属性信息以及同类型节点之间的相关性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610409267.5A CN106126523A (zh) | 2016-06-12 | 2016-06-12 | 一种假币犯罪信息分析系统及分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610409267.5A CN106126523A (zh) | 2016-06-12 | 2016-06-12 | 一种假币犯罪信息分析系统及分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106126523A true CN106126523A (zh) | 2016-11-16 |
Family
ID=57270476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610409267.5A Pending CN106126523A (zh) | 2016-06-12 | 2016-06-12 | 一种假币犯罪信息分析系统及分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106126523A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918544A (zh) * | 2019-03-14 | 2019-06-21 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
| CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
| CN111210118A (zh) * | 2019-12-23 | 2020-05-29 | 北京市新技术应用研究所 | 基于社会网络分析的犯罪嫌疑人综合影响力评价方法 |
| CN111949844A (zh) * | 2020-08-13 | 2020-11-17 | 中国银行股份有限公司 | 假币信息分析方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019939A1 (en) * | 2001-07-27 | 2003-01-30 | Sellen Abigail Jane | Data acquisition and processing system and method |
| CN104090957A (zh) * | 2014-03-10 | 2014-10-08 | 中国科学院软件研究所 | 一种异构网络可交互可视化方法 |
| CN104361674A (zh) * | 2014-09-30 | 2015-02-18 | 浙江维融电子科技股份有限公司 | 纸币识别方法及装置 |
| CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
-
2016
- 2016-06-12 CN CN201610409267.5A patent/CN106126523A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019939A1 (en) * | 2001-07-27 | 2003-01-30 | Sellen Abigail Jane | Data acquisition and processing system and method |
| CN104090957A (zh) * | 2014-03-10 | 2014-10-08 | 中国科学院软件研究所 | 一种异构网络可交互可视化方法 |
| CN104361674A (zh) * | 2014-09-30 | 2015-02-18 | 浙江维融电子科技股份有限公司 | 纸币识别方法及装置 |
| CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹丽琴等: "基于光谱特征的真伪纸币差异分析", 《中国印刷与包装研究》 * |
| 步少莉: "异构信息网络Top-k相关性查询方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918544A (zh) * | 2019-03-14 | 2019-06-21 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
| CN109918544B (zh) * | 2019-03-14 | 2021-03-12 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
| CN110263726A (zh) * | 2019-06-24 | 2019-09-20 | 山东浪潮人工智能研究院有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
| CN110263726B (zh) * | 2019-06-24 | 2021-02-02 | 浪潮集团有限公司 | 一种基于深度相关性特征学习的指静脉识别方法及装置 |
| CN111210118A (zh) * | 2019-12-23 | 2020-05-29 | 北京市新技术应用研究所 | 基于社会网络分析的犯罪嫌疑人综合影响力评价方法 |
| CN111210118B (zh) * | 2019-12-23 | 2023-08-01 | 北京市新技术应用研究所 | 基于社会网络分析的犯罪嫌疑人综合影响力评价方法 |
| CN111949844A (zh) * | 2020-08-13 | 2020-11-17 | 中国银行股份有限公司 | 假币信息分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Single point iterative weighted fuzzy C-means clustering algorithm for remote sensing image segmentation | |
| CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
| CN102364498A (zh) | 一种基于多标签的图像识别方法 | |
| Xu et al. | A supervoxel approach to the segmentation of individual trees from LiDAR point clouds | |
| CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
| EP2321772A2 (en) | Search engine and methodology, particularly applicable to patent literature | |
| CN101877007A (zh) | 融合空间方位关系语义的遥感图像检索方法 | |
| CN108351898A (zh) | 用于结构化多字段文件布局的自动化解释 | |
| CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及系统 | |
| CN110688549B (zh) | 一种基于知识体系图谱构建的人工智能分类方法与系统 | |
| CN111125453A (zh) | 基于子图同构的社交网络中意见领袖角色识别方法及存储介质 | |
| CN106126523A (zh) | 一种假币犯罪信息分析系统及分析方法 | |
| WO2023108980A1 (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
| CN104346438A (zh) | 基于大数据数据管理服务系统 | |
| CN109359868A (zh) | 一种电网用户画像的构建方法及系统 | |
| CN109408574A (zh) | 基于文本挖掘技术的投诉责任认定系统 | |
| CN110046251A (zh) | 社区内容风险评估方法及装置 | |
| Han et al. | Linking social network accounts by modeling user spatiotemporal habits | |
| CN113449111A (zh) | 基于时空语义知识迁移的社会治理热点话题自动识别方法 | |
| CN106980639B (zh) | 短文本数据聚合系统及方法 | |
| Shang et al. | Local dominance unveils clusters in networks | |
| Barlacchi et al. | Land use classification with point of interests and structural patterns | |
| CN103246685A (zh) | 将对象实例的属性规则化为特征的方法和设备 | |
| Paraschiv et al. | A unified graph-based approach to disinformation detection using contextual and semantic relations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |
|
| WD01 | Invention patent application deemed withdrawn after publication |