CN109190556B - 一种公证意愿真实性鉴别方法 - Google Patents

一种公证意愿真实性鉴别方法 Download PDF

Info

Publication number
CN109190556B
CN109190556B CN201811008920.2A CN201811008920A CN109190556B CN 109190556 B CN109190556 B CN 109190556B CN 201811008920 A CN201811008920 A CN 201811008920A CN 109190556 B CN109190556 B CN 109190556B
Authority
CN
China
Prior art keywords
information
user
neural network
analysis
facial
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
Application number
CN201811008920.2A
Other languages
English (en)
Other versions
CN109190556A (zh
Inventor
郭文静
陈艳
陈雅贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Faxin Gongzhengyun Xiamen Technology Co ltd
Original Assignee
Faxin Gongzhengyun Xiamen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Faxin Gongzhengyun Xiamen Technology Co ltd filed Critical Faxin Gongzhengyun Xiamen Technology Co ltd
Priority to CN201811008920.2A priority Critical patent/CN109190556B/zh
Publication of CN109190556A publication Critical patent/CN109190556A/zh
Application granted granted Critical
Publication of CN109190556B publication Critical patent/CN109190556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/18—Legal services; Handling legal documents
    • G06Q50/186—Estate planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提出一种公证意愿真实性鉴别方法，包括以下步骤：S1：用户实名注册并通过面部信息获取模块进行身份验证；S2：根据业务流程通过语音获取模块得到语音信息，通过身体体征获取模块记录心率，根据用户真实身份信息通过大数据分析模块获取用户的所有相关信息分析得到个人信息综合评价值，通过面部信息获取模块实时解析出面部微表情信息，并通过行为动作获取模块获取行为动作数据信息；S3：3个初步分析神经网络分别用来将心率、面部微表情信息及行为动作数据信息、语音信息进行分析得到心率特征数值、心理状态数值、语言逻辑数值，综合分析神经网络用于将上述结果以及个人信息综合评价值进行综合分析得出用户办理公证事项的意愿真实性概率结果。

Description

一种公证意愿真实性鉴别方法
技术领域
本发明涉及公证取证领域，特别是涉及一种公证意愿真实性鉴别方法。
背景技术
目前，在公证行业中，用户在进行公证事项办理时，如遗嘱、财产继承转赠等，需对用户的真实意愿进行鉴别，传统公证只能依靠公证员实地调查并且凭主观判断，这样会导致公正效率较低，并且容易被欺瞒从而导致公证意愿判断出错，出现法律纠纷。
如今各行各业都在进行信息网络化转型，公证行业转为线上操作也是大势所趋，线上公证如何判别用户意愿真实性是亟需解决的一个技术难题，目前行业中还并没有就该问题提出有效的技术解决方案。由此可见，提出一种可以有效判断公证意愿真实性的方法是非常具有意义的。
发明内容
针对以上问题，本发明提出一种基于大数据分析技术和神经网络技术的用户真实意愿自动鉴别方法，可以有效解决如何公证有效地判别公证意愿真实性的问题。
本发明提出了一种公证意愿真实性鉴别方法，包括以下步骤：
S1：用户进行实名注册，并通过面部信息获取模块进行身份验证；
S2：根据业务流程通过语音获取模块对用户提问相关问题并记录回答内容得到语音信息，通过身体体征获取模块记录公证过程中的心率，根据用户的真实身份信息通过大数据分析模块获取用户的所有相关信息，包括财产、信用、亲属关系，并分析得到个人信息综合评价值，通过面部信息获取模块实时解析用户在办理流程时的面部微表情信息，并通过行为动作获取模块获取用户的行为动作数据信息；
S3：通过神经网络分析模块对所记录的信息进行分析，神经网络分析模块包括3个初步分析神经网络和1个综合分析神经网络，3个初步分析神经网络分别用来将心率、面部微表情信息及行为动作数据信息、语音信息进行分析得到心率特征数值、心理状态数值、语言逻辑数值，综合分析神经网络用于将3个初步分析神经网络的心率特征数值、心理状态数值、语言逻辑数值以及大数据分析模块处理得到的个人信息综合评价值进行综合分析得出用户办理公证事项时的意愿真实性概率结果。
更进一步地，3个初步分析神经网络和1个综合分析神经网络都采用BP神经网络模型。BP神经网络模型具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。
更进一步地，BP神经网络模型的具体运行方案如下：
输入数据集合为A，预期输出数据集合为B；假设输入层的节点个数为n，隐含层的节点个数为ι，输出层的节点个数为m；输入层到隐含层的权重vij，隐含层到输出层的权重为wjk，输入层到隐含层的阀值为aj，隐含层到输出层的阀值为bk；学习速率为η，激励函数为g(x)；
S31：网络初始化，为权重vij、wjk以及阀值aj、bk赋予[-1，1]区间的随机值；
S32：对于每个学习样本模式即(A,B)进行以下操作：
S321：计算隐含层输出，将A的值作泛化处理送到输入层单元，根据输入层至隐含层的权重vij以及隐含层的阀值aj，计算隐含层输出H；
Figure GDA0002481284870000031
公式中：i＝1，2，3，…，n；j＝1，2，3，…，ι；xi为A的值泛化处理后的元素；
所选g(x)＝1/(1+e-x)；
S322：计算输出层的输出，根据隐含层输出H、权重wjk和阀值bk，计算BP神经网络预测输出C；
Figure GDA0002481284870000032
公式中：k＝1，2，3，…，m；
S323：计算误差，根据BP神经网络期望输出B和预测输出C，计算网络误差E；
Figure GDA0002481284870000033
S324：权值更新，根据网络误差Ek更新神经网络权重vij，wjk；
Figure GDA0002481284870000041
S325：阀值更新，根据网络误差Ek更新神经网络阀值aj，bk；
Figure GDA0002481284870000042
S33：判断网络误差Ek是否满足精度要求；若满足，则结束，否则继续；
S34：更新网络学习次数，若学习次数小于规定的次数，返回S32。
更进一步地，面部信息获取模块采用生物特征识别技术获取用户的面部信息进行身份识别，记录用户的面部表情，并通过微表情识别技术获取面部微表情信息。生物特征识别技术包括虹膜识别、人脸识别、人耳识别等技术，主要通过扫描、数字化处理、分析、特征提取、存储、匹配分类等步骤来进行识别处理。
更进一步地，语音获取模块采用语音识别技术和自然语言处理技术为用户提供人机交互功能，引导用户完成办理公证事项的前期信息采集工作，并根据用户所办理的公证事项提问相关问题，获取用户的语音信息。语音识别技术包括语音信号预处理与特征提取、声学模型与模式匹配、语言模型与语言处理等步骤。
更进一步地，行为动作获取模块采用视频动态目标监测技术精准定位用户初步分析用户办理公证场景的真实性，并实时录制用户业务办理过程的动作、行为信息，并采用慢特征分析算法对动作、行为信息进行解析得出行为动作数据信息。慢特征分析算法通过剧烈变化的像素寻找其内含的高层语义信息，计算相应的特征来表征其高层语义信息，用以识别。视频中的动作识别大致可分为视频预处理、特征兴趣点提取、输入视频信息整理、慢特征分析、特征描述、特征分类。
更进一步地，大数据分析模块采用大数据分析技术，通过用户的真实信息获取用户所有相关信息，包括房产、信用、借贷、亲属关系信息。大数据分析技术采用分布式架构。大数据分析技术的特色在于对海量数据进行分布式数据挖掘。并且依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
更进一步地，将大数据分析模块接入第三方平台，根据用户的真实身份信息从第三方平台获取相关信息，然后使用大数据技术中的Aprion算法提取出用户的财产信息、信用信息和人际关系信息，再通过大数据技术中的贝叶斯分类算法进行分析得出个人信息综合评价值，最后输入到综合分析神经网络进行综合分析。贝叶斯分类算法根据既有输入的用户信息，在庞大的已有数据库中寻找匹配程度(也即是发生概率)最高的概率值。
本发明提出了一种公证意愿真实性鉴别方法，通过生物特征识别技术对用户的真实身份进行识别认证，并通过视频动态识别技术实时记录用户的行为动作，通过自然语言处理技术与用户进行人机语音交互获得语言信息，将上述所有信息输入至已经训练好的并具有学习能力的神经网络中得到相应的心率特征数值、心理状态数值、语言逻辑数值，再通过大数据技术获取用户的相关信息分析得到个人信息综合评价值，将这些数值通过综合分析神经网络分析得到用户办理公证事项时的意愿真实性。本发明可以解决公证行业中用户办理公证事项时意愿真实性难以鉴别的问题。全面获取用户的个人相关信息并对这些信息使用技术手段进行综合分析，为判断用户意愿真实性提供充足的数据信息，确保得到极高的判断概率，并且可极大提高公证事项办理的速度与质量。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
图1为本发明的公证意愿真实性鉴别方法的实施例的总流程图；
图2为本发明的公证意愿真实性鉴别方法的实施例的BP神经网络模型流程图；
图3为本发明的公证意愿真实性鉴别方法的实施例的BP神经网络模型的学习样本模式的操作流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提出了本发明提出了一种公证意愿真实性鉴别方法，如图1所示，包括以下步骤：
S1：用户进行实名注册，并通过面部信息获取模块进行身份验证；
在进一步的实施例中，用户需要办理公证必须在平台上进行实名认证后，并且穿戴身体体征获取模块进行公证事项的办理，面部信息获取模块通过生物特征识别技术的面部识别，获取当事人面部信息(虹膜、脸形、耳廓等)进行真实身份识别，生物特征识别技术包括虹膜识别、人脸识别、人耳识别等技术，主要通过扫描、数字化处理、分析、特征提取、存储、匹配分类等步骤来进行识别处理。在优选的实施例中，面部信息获取模块通过人脸识别进行身份验证，身体体征获取模块为智能手环，也可以选择其他可以记录脉搏或心率等数据的仪器。
S2：根据业务流程通过语音获取模块对用户提问相关问题并记录回答内容得到语音信息，通过身体体征获取模块记录公证过程中的心率，根据用户的真实身份信息通过大数据分析模块获取用户的所有相关信息，包括财产、信用、亲属关系，并分析得到个人信息综合评价值，通过面部信息获取模块实时解析用户在办理流程时的面部微表情信息，并通过行为动作获取模块获取用户的行为动作数据信息；
根据本发明的更进一步实施例，面部信息获取模块采用生物特征识别技术记录用户的面部表情，并通过微表情识别技术获取面部微表情信息。在优选的实施例中，微表情识别技术使用3D梯度投影微表情捕获方法，具体流程如下：
1、使用R-HOG特征提取方法提取视频中的关键帧；
2、使用面部动作编码系统(FACS)进行面部特征区域划分；
3、使用3D梯度投影法提取微表情特征；
4、使用最近邻算法进行微表情分类。表情信息分为高兴(100-80)、愤怒(40-0)、悲伤(60-40)、厌恶(40-0)、恐惧(40-0)、平静(80-60)。
语音获取模块采用语音识别技术和自然语言处理技术为用户提供人机交互功能，引导用户完成办理公证事项的前期信息采集工作，并根据用户所办理的公证事项提问相关问题，获取用户的语音信息。语音信息用于判断用户回答内容的语言逻辑以及内容真实性分析。语音识别技术包括语音信号预处理与特征提取、声学模型与模式匹配、语言模型与语言处理等步骤。自然语言处理是研究语言能力和语言应用的模型，建立计算机(算法)框架来实现这样的语言模型，并完善、评测、最终用于设计各种实用系统。通过语音识别技术将用户的语音中的词汇内容转换为计算机可读的输入数据，再通过自然语言处理技术对计算机可读的输入数据进行处理使其具有自然语言理解特性，并得出相应场景下的反馈对话，可以进行人机交互。语言模型通过语料计算某个句子出现的概率(概率表示)。语言模型首先开启自然语言处理的统计方法，统计方法的一般步骤为：1、收集大量语料；2、对语料进行统计分析，得出知识；3、针对场景建立算法模型；4、解释和应用结果。在可选的实施例中，语言模型选择2-元模型或3-元模型。在优选的实施例中，语音获取模块对每个问题用户所做的回答语言做分析，结果包括：正常(100-80)，混乱但回答结果对题(80-60)，回答结果不符合问题(60-0)。
行为动作获取模块采用视频动态目标监测技术精准定位用户初步分析用户办理公证场景的真实性，并实时录制用户业务办理过程的动作、行为信息，并采用慢特征分析算法对动作、行为信息进行解析得出行为动作数据信息。慢特征分析算法通过剧烈变化的像素寻找其内含的高层语义信息，计算相应的特征来表征其高层语义信息，用以识别。视频中的动作识别大致可分为视频预处理、特征兴趣点提取、输入视频信息整理、慢特征分析、特征描述、特征分类。在优选的实施例中，行为动作获取模块对比分析行为动作数据信息，判断前后动作行为幅度的大小，评判结果为动作幅度小(100-80)，动作幅度正常(80-60)，动作幅度大(60-0)。根据面部信息获取模块和行为动作获取模块的面部微表情信息及行为动作数据信息可以得出用户在认证过程中的心理状态信息以及心理状态数值。在优选的实施例中，心理状态信息分为正常、良好、偏低、极差，对应心理状态数值为100-75、75-50、50-25、25-0。
根据本发明的更进一步实施例，大数据分析模块采用大数据分析技术，通过用户的真实信息获取用户所有相关信息，包括房产、信用、借贷、亲属关系信息。大数据分析技术即由计算机代替人去挖掘信息，获取知识，从各种各样的数据(包括结构化、半结构化和非结构化数据)中快速获取有价值信息的能力，也就是从体量巨大、结构繁多的数据中挖掘出隐蔽在背后的规律，用于揭示规律、发现线索、探寻答案问题。大数据分析技术采用分布式架构。大数据分析技术的特色在于对海量数据进行分布式数据挖掘。并且依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
根据本发明的更进一步实施例，将大数据分析模块接入第三方平台，根据用户的真实身份信息从第三方平台获取相关信息，然后使用大数据技术中的Aprion算法提取出用户的财产信息、信用信息、借贷信息和人际关系信息，再通过大数据技术中的贝叶斯分类算法进行分析得出个人信息综合评价值，最后输入到综合分析神经网络进行综合分析。贝叶斯分类算法根据既有输入的用户信息，。在优选的实施例中，从第三方平台获取相关信息具体流程包括：
1、获取用户财产总值；
2、获取用户支付宝的信用评分；
3、获取用户借贷信息，计算按时还款次数、违约还款次数、欠款总额；
4、获取人际关系信息，匹配用户办理公证时提供的信息，判断是否为真；
5、贝叶斯分类算法运行初期会给上述信息设定阈值后将个人信息综合评价值进行类别划分，分别为极好(100-80)、正常(80-60)、良好(60-40)、偏低(40-20)、极差(20-0)；
6、贝叶斯分类算法根据用户财产总值、支付宝信用评分、借贷信息以及人际关系信息匹配结果，匹配设定阈值，得出个人信息综合评价值。
S3：通过神经网络分析模块对所记录的信息进行分析，神经网络分析模块包括3个初步分析神经网络和1个综合分析神经网络，3个初步分析神经网络分别用来将心率、面部微表情信息及行为动作数据信息、语音信息进行分析得到心率特征数值、心理状态数值、语言逻辑数值，综合分析神经网络用于将3个初步分析神经网络的心率特征数值、心理状态数值、语言逻辑数值以及大数据分析模块处理得到的个人信息综合评价值进行综合分析得出用户办理公证事项时的意愿真实性概率结果。
根据本发明的进一步实施例，3个初步分析神经网络和1个综合分析神经网络都采用BP神经网络模型。其中，如图2所示，BP神经网络模型的具体运行方案如下：
输入数据集合为A，预期输出数据集合为B；假设输入层的节点个数为n，隐含层的节点个数为ι，输出层的节点个数为m；输入层到隐含层的权重vij，隐含层到输出层的权重为wjk，输入层到隐含层的阀值为aj，隐含层到输出层的阀值为bk；学习速率为η，激励函数为g(x)；
S31：网络初始化，为权重vij、wjk以及阀值aj、bk赋予[-1，1]区间的随机值；
S32：对于每个学习样本模式即(A,B)进行以下操作：如图3所示，
S321：计算隐含层输出，将A的值作泛化处理送到输入层单元，根据输入层至隐含层的权重vij以及隐含层的阀值aj，计算隐含层输出H；
Figure GDA0002481284870000111
公式中：i＝1，2，3，…，n；j＝1，2，3，…，ι；xi为A的值泛化处理后的元素；
所选g(x)＝1/(1+e-x)；
S322：计算输出层的输出，根据隐含层输出H、权重wjk和阀值bk，计算BP神经网络预测输出C；
Figure GDA0002481284870000121
公式中：k＝1，2，3，…，m；
S323：计算误差，根据BP神经网络期望输出B和预测输出C，计算网络误差E；
Figure GDA0002481284870000122
S324：权值更新，根据网络误差Ek更新神经网络权重vij，wjk；
Figure GDA0002481284870000123
S325：阀值更新，根据网络误差Ek更新神经网络阀值aj，bk；
Figure GDA0002481284870000124
S33：判断网络误差Ek是否满足精度要求；若满足，则结束，否则继续；
S34：更新网络学习次数，若学习次数小于规定的次数，返回S32。
在优选的实施例中，3个初步分析神经网络和1个综合分析神经网络的节点个数取值规则如下，第一个初步分析神经网络：输入层和隐藏层节点个数根据采集到的心率数据进行自动选择，输出层为1个节点。第二个初步分析神经网络：输入层节点根据系统采集到的特殊时间点个数进行自动调节，隐藏层节点个数也可自动调节，输出层节点个数为1个。第三个初步分析神经网络：输入层节点根据系统询问问题个数进行设定，隐藏层节点可自动调节，输出层节点个数为1个。综合分析神经网络：输入层节点为4个，隐藏层节点可自动选择，输出层节点为1个。
第一个初步分析神经网络的输入数据集合A为用户在公证过程中的心率，预期输出数据集合B为心率特征数值，第二个初步分析神经网络的输入数据集合A为面部微表情信息及行为动作数据信息，预期输出数据集合B为心理状态数值；第三个初步分析神经网络的输入数据集合A为语音信息，预期输出数据集合B为语言逻辑数值；综合分析神经网络的输入数据集合A为心率特征数值、心理状态数值、语言逻辑数值和个人信息综合评价值，预期输出数据集合B为意愿真实性概率结果。
在优选的实施例中，3个初步分析神经网络和1个综合分析神经网络的输入层数据和输出层数据具体表示如下，第一个初步分析神经网络：输入层数据为系统通过智能手环采集到的用户心率数据，输出层结果为起伏程度I级(100-90)、起伏程度II级(90-60)，起伏程度III级(60-0)；第二个初步分析神经网络：输入层数据为微表情分析结果以及动作行为结果，输出层结果为正常(100-75)、良好(75-50)、偏低(50-25)、极差(25-0)；第三个初步分析神经网络：输入层数据为对每个问题的回答结果评分，输出层结果分为正常(100-60)、混乱(60-0)；综合分析神经网络：输入层为上述3个初步分析神经网络分析结果以及大数据分析结果，输出层结果为真实度高(100％-80％)，真实度中(80％-60％)，真实度低(60％-0)。
神经网络是通过对人脑的基本单元——神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则(学习算法)调整网络各层的权值矩阵，待神经网络各层权重都收敛到一定值，学习过程结束。然后就可以用生成的神经网络来对真实数据做分类。BP神经网络模型具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。
本发明提出了一种公证意愿真实性鉴别方法，通过生物特征识别技术对用户的真实身份进行识别认证，并通过视频动态识别技术实时记录用户的行为动作，通过自然语言处理技术与用户进行人机语音交互获得语言信息，将上述所有信息输入至已经训练好的并具有学习能力的神经网络中得到相应的心率特征数值、心理状态数值、语言逻辑数值，再通过大数据技术获取用户的相关信息分析得到个人信息综合评价值，将这些数值通过综合分析神经网络分析得到用户办理公证事项时的意愿真实性。本发明通过大数据结合神经网络模型可以解决公证行业中用户办理公证事项时意愿真实性难以鉴别的问题。通过大数据技术全面获取用户的个人相关信息并对这些信息采用神经网络进行综合分析，为判断用户意愿真实性提供充足的数据信息，确保得到极高的判断概率，并且可极大提高公证事项办理的速度与质量。
以上描述了本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
在本申请的描述中，尽管在方法权利要求中以一定顺序列出了各个步骤，但是这些步骤并不一定以所列出的步骤来执行，相反在不背离本发明的精神和主旨的情况下可以以相反或并行的方式执行。措词‘包括’并不排除在权利要求未列出的元件或步骤的存在。元件前面的措词‘一’或‘一个’并不排除多个这样的元件的存在。在相互不同从属权利要求中记载某些措施的简单事实不表明这些措施的组合不能被用于改进。在权利要求中的任何参考符号不应当被解释为限制范围。

Claims (8)

1.一种公证意愿真实性鉴别方法，其特征在于，包括以下步骤：
S1：用户进行实名注册，并通过面部信息获取模块进行身份验证；
S2：根据业务流程通过语音获取模块对用户提问相关问题并记录回答内容得到语音信息，通过身体体征获取模块记录公证过程中的心率，根据用户的真实身份信息通过大数据分析模块获取用户的所有相关信息，包括财产、信用、亲属关系，并分析得到个人信息综合评价值，通过面部信息获取模块实时解析用户在办理流程时的面部微表情信息，并通过行为动作获取模块获取用户的行为动作数据信息；
S3：通过神经网络分析模块对所记录的信息进行分析，神经网络分析模块包括3个初步分析神经网络和1个综合分析神经网络，3个初步分析神经网络分别用来将心率、面部微表情信息及行为动作数据信息、语音信息进行分析得到心率特征数值、心理状态数值、语言逻辑数值，综合分析神经网络用于将3个初步分析神经网络的心率特征数值、心理状态数值、语言逻辑数值以及大数据分析模块处理得到的个人信息综合评价值进行综合分析得出用户办理公证事项时的意愿真实性概率结果。
2.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，所述3个初步分析神经网络和1个综合分析神经网络都采用BP神经网络模型。
3.根据权利要求2所述的公证意愿真实性鉴别方法，其特征在于，所述BP神经网络模型的具体运行方案如下：
输入数据集合为A，预期输出数据集合为B；假设输入层的节点个数为n，隐含层的节点个数为ι，输出层的节点个数为m；输入层到隐含层的权重vij，隐含层到输出层的权重为wjk，输入层到隐含层的阀值为aj，隐含层到输出层的阀值为bk；学习速率为η，激励函数为g(x)；
S31：网络初始化，为权重vij、wjk以及阀值aj、bk赋予[-1，1]区间的随机值；
S32：对于每个学习样本模式即(A,B)进行以下操作：
S321：计算隐含层输出，将A的值作泛化处理送到输入层单元，根据输入层至隐含层的权重vij以及隐含层的阀值aj，计算隐含层输出H；
Figure FDA0002481284860000021
公式中：i＝1，2，3，···，n；j＝1，2，3，···，ι；xi为A的值泛化处理后的元素；
所选g(x)＝1/(1+e-x)；
S322：计算输出层的输出，根据隐含层输出H、权重wjk和阀值bk，计算BP神经网络预测输出C；
Figure FDA0002481284860000022
公式中：k＝1，2，3，···，m；
S323：计算误差，根据BP神经网络期望输出B和预测输出C，计算网络误差E；
Figure FDA0002481284860000023
S324：权值更新，根据网络误差Ek更新神经网络权重vij，wjk；
Figure FDA0002481284860000031
S325：阀值更新，根据网络误差Ek更新神经网络阀值aj，bk；
Figure FDA0002481284860000032
S33：判断网络误差Ek是否满足精度要求；若满足，则结束，否则继续；
S34：更新网络学习次数，若学习次数小于规定的次数，返回S32。
4.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，所述面部信息获取模块采用生物特征识别技术获取用户的面部信息进行身份识别，记录用户的面部表情，并通过微表情识别技术获取面部微表情信息。
5.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，所述语音获取模块采用语音识别技术和自然语言处理技术为用户提供人机交互功能，引导用户完成办理公证事项的前期信息采集工作，并根据用户所办理的公证事项提问相关问题，获取用户的语音信息。
6.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，所述行为动作获取模块采用视频动态目标监测技术精准定位用户初步分析用户办理公证场景的真实性，并实时录制用户业务办理过程的动作、行为信息，并采用慢特征分析算法对动作、行为信息进行解析得出行为动作数据信息。
7.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，大数据分析模块采用大数据分析技术，通过用户的真实信息获取用户所有相关信息，包括房产、信用、借贷、亲属关系信息。
8.根据权利要求1所述的公证意愿真实性鉴别方法，其特征在于，将所述大数据分析模块接入第三方平台，根据用户的真实身份信息从所述第三方平台获取相关信息，然后使用大数据技术中的Aprion算法提取出用户的财产信息、信用信息和人际关系信息，再通过大数据技术中的贝叶斯分类算法进行分析得出个人信息综合评价值，最后输入到综合分析神经网络进行综合分析。
CN201811008920.2A 2018-08-31 2018-08-31 一种公证意愿真实性鉴别方法 Active CN109190556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811008920.2A CN109190556B (zh) 2018-08-31 2018-08-31 一种公证意愿真实性鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811008920.2A CN109190556B (zh) 2018-08-31 2018-08-31 一种公证意愿真实性鉴别方法

Publications (2)

Publication Number Publication Date
CN109190556A CN109190556A (zh) 2019-01-11
CN109190556B true CN109190556B (zh) 2020-08-04

Family

ID=64917659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811008920.2A Active CN109190556B (zh) 2018-08-31 2018-08-31 一种公证意愿真实性鉴别方法

Country Status (1)

Country Link
CN (1) CN109190556B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155733B2 (en) * 2009-05-15 2012-04-10 Nanjing University Lie detection method and system
CN104537361A (zh) * 2015-01-15 2015-04-22 上海博康智能信息技术有限公司 基于视频的测谎方法及其测谎系统
CN107625527B (zh) * 2016-07-19 2021-04-20 杭州海康威视数字技术股份有限公司 一种测谎方法及装置
CN108460010A (zh) * 2018-01-17 2018-08-28 南京邮电大学 一种基于情感分析的综合评分模型实现方法

Also Published As

Publication number Publication date
CN109190556A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN108596039B (zh) 一种基于3d卷积神经网络的双模态情感识别方法及系统
CN109460737A (zh) 一种基于增强式残差神经网络的多模态语音情感识别方法
WO2020147395A1 (zh) 基于情感的文本分类处理方法、装置和计算机设备
CN111414461B (zh) 一种融合知识库与用户建模的智能问答方法及系统
CN110032630A (zh) 话术推荐设备、方法及模型训练设备
KR102216768B1 (ko) 심리상담 데이터를 이용한 텍스트 내 감정분석을 위한 시스템 및 방법
CN112818861A (zh) 一种基于多模态上下文语义特征的情感分类方法及系统
CN112328742A (zh) 基于人工智能的培训方法、装置、计算机设备及存储介质
CN111401105B (zh) 一种视频表情识别方法、装置及设备
CN110827832A (zh) 一种视频身份的识别设备及其方法
CN113094578A (zh) 基于深度学习的内容推荐方法、装置、设备及存储介质
WO2021159902A1 (zh) 年龄识别方法、装置、设备及计算机可读存储介质
CN112768070A (zh) 一种基于对话交流的精神健康评测方法和系统
CN112800225A (zh) 一种微博评论情绪分类方法和系统
CN110992988A (zh) 一种基于领域对抗的语音情感识别方法及装置
CN116304035B (zh) 一种复杂案件中的多被告多罪名关系抽取方法及装置
Serbaya Analyzing the role of emotional intelligence on the performance of small and medium enterprises (SMEs) using ai-based convolutional neural networks (CNNs)
KR20200084816A (ko) 콜드 스타트를 해결하기 위한 신규 컨텐츠 분석 분석 방법, 장치 및 컴퓨터 프로그램
CN116758451A (zh) 基于多尺度和全局交叉注意力的视听情感识别方法及系统
CN109190556B (zh) 一种公证意愿真实性鉴别方法
Sora et al. Speech Sentiment Analysis for Citizen's Engagement in Smart Cities' Events
CN113763934A (zh) 音频识别模型的训练方法、装置和存储介质及电子设备
Chintalapudi et al. Speech emotion recognition using deep learning
Singh et al. Human perception based criminal identification through human robot interaction
Alghalibi et al. Deep Tweets Analyzer Model for Twitter Mood Visualization and Prediction Based Deep Learning Approach

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