CN106952193A - 一种基于模糊深度信念网络的刑事案件辅助决策方法 - Google Patents
一种基于模糊深度信念网络的刑事案件辅助决策方法 Download PDFInfo
- Publication number
- CN106952193A CN106952193A CN201710178176.XA CN201710178176A CN106952193A CN 106952193 A CN106952193 A CN 106952193A CN 201710178176 A CN201710178176 A CN 201710178176A CN 106952193 A CN106952193 A CN 106952193A
- Authority
- CN
- China
- Prior art keywords
- case
- judgement
- gamma
- neutral net
- depth belief
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007935 neutral effect Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000013456 study Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010016322 Feeling abnormal Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012827 research and development Methods 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
- 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
- G06Q50/18—Legal services
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于模糊深度信念网络的刑事案件辅助决策方法,包括:根据法律文书及量刑方法,建立描述案件的向量模型;根据判决问题的复杂度,建立恰当的深度神经网络结构;借助已知的正负判决关系,使用监督和非监督学***,提高审案效率。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于模糊深度信念网络的刑事案件辅助决策方法,进一步涉及一种使用深度学习与模糊数学的结合的案件检索方法。
背景技术
法院作为案件审理的主体,在多年的工作中已经积累了大量丰富的成功经验,并以数字化的形式保存了大量案件情报信息。同时,随着计算机技术应用的逐步深入,对这些信息的管理和应用策略也日渐成熟,特别是在各种管理信息***投入应用后,对案件情报信息的应用力度和管理能力已经大大提高。
在历史案件信息的综合挖掘利用方面,部分发达国家早在上世纪80年代后期就开始了研究。他们依靠其先进的计算机技术的发展,利用计算机***强大的数据处理与数据分析能力,把案件处理工作中获取的各类信息进行统一而规范的管理,以人工智能(如机器学习、人工神经网络、决策树、案例推理等)的方法进行数据的综合挖掘与综合利用,从而得出相对可靠的、具有预警功能的情报信息或方案建议,以利于决策并指导行动。具有代表性的有英国情报核心分析***(ICAS)、美国比较数据***(COMPSTAT)、加拿大自动化犯罪情报信息***(ACIIS)、澳大利亚执法情报网络(ALEIN)以及我国香港的警队刑事情报信息***(FCIS)等。
近年来,案例推理的提出,美国和欧洲相继在各个行业结合自身的需求研制和开发许多***,使案例推理成为人工智能领域的研究热点。CBR有两种类型,即问题求解型和解释型。问题求解型侧重于对过去策略的匹配与修改,而解释型强调以旧案例对新案例作出评价与解释。无论哪一种,其推理过程均类似于人类经验类比推理,而且具有简化知识获取、通过直接获得提高求解效率、求解质量较高、适用于非计算推导的优点。因此,它将是人工智能与专家***设计的一种非常具有发展前景的方法。
作为人工智能的一种推理技术和学习机制,如今有很多学者和学术团体致力于CBR的理论与方法研究。比较知名的学者如Roger Shank、Janet Kolodner、Bruce Poter、David Wilsond等;学术团体主要有德国政府资助的Kaiserslautern大学的MichaelRichter与Klaus Dieter Althoff等人组成的人工智能和知识***研究小组,麻萨诸塞州立大学的Edwina Rissland研究小组,以及美国海军人工智能实验室的智能辅助决策研究小组等。自1987年以来,国际学术界每年都举行CBR研讨会,广泛征集研究成果。如ECCBR(European Conference on Case-based Reasoning)、ICCBR(International Conferenceon Case-based Reasoning)、AAAI(American Association for Arti-ficialIntelligence)等。还有些个人或政府资助建立的CBR专门网站和工作室,如AI-CBR.等。所有这些对CBR的研究和发展均做出了重要的贡献。
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。
模糊数学在模糊集合、模糊逻辑的基础上发展起来的模糊拓扑、模糊测度论等数学领域的统称。是研究现实世界中许多界限不分明甚至是很模糊的问题的数学工具。在模式识别、人工智能等方面有广泛的应用。在1965年美国控制论学者L.A.扎德发表论文《模糊集合》,标志着这门新学科的诞生。现代数学建立在集合论的基础上。一组对象确定一组属性,人们可以通过指明属性来说明概念,也可以通过指明对象来说明。符合概念的那些对象的全体叫做这个概念的外延,外延实际上就是集合。一切现实的理论***都有可能纳入集合描述的数学框架。经典的集合论只把自己的表现力限制在那些有明确外延的概念和事物上,它明确地规定:每一个集合都必须由确定的元素所构成,元素对集合的隶属关系必须是明确的。对模糊性的数学处理是以将经典的集合论扩展为模糊集合论为基础的,乘积空间中的模糊子集就给出了一对元素间的模糊关系。对模糊现象的数学处理就是在这个基础上展开的。
模糊神经网络结合了神经网络***和模糊***的长处,它在处理非线性、模糊性等问题上有很大的优越性,在智能信息处理方面存在巨大的潜力;使得越来越多的专家学者投入到这个领域中来,并做出了卓有成效的研究成果。法律案例推理涉及到模糊推理,因此能够使用模糊数学对推理过程进行建模,并同时借助深度学习的方法提高推理的精确性。但深度学习与模糊数学的结合还未在法律案例推理领域得到发挥。
发明内容
本发明要解决的技术问题是,提供一种基于模糊深度信念网络的刑事案件辅助决策方法。
为实现上述目的,本发明采用如下的技术方案:
一种基于模糊深度信念网络的刑事案件辅助决策方法包括以下步骤:
步骤S1、根据法律文书及量刑方法,建立描述案件的向量模型;
步骤S2、根据判决问题的复杂度,建立恰当的深度神经网络结构;
步骤S3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数;
步骤S4、利用神经网络进行建模,预测出法官判决的结果。
作为优选,步骤S1具体包括:
根据描述法律文书的词袋模型,将描述案件的文本转化成一维向量;
根据刑罚类型,将描述案件的判决结果转化成一维向量。
作为优选,步骤S2具体包括:
根据判决问题的复杂度,确定神经网络的层数;
根据判决的划分程度,确定神经网络中节点间的连接关系。
作为优选,步骤S3具体包括:
使用非监督学习法逐层地学习神经网络的参数;
使用监督学习法通过梯度下降法对神经网络的参数进行微调。
作为优选,步骤S4具体包括:
根据神经网络的参数计算每个隐藏神经元的活跃程度;
计算从属函数的值;
利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果;
将输出结果对应于判决意义。
一种基于模糊深度信念网络的刑事案件辅助决策方法包括以下步骤:
步骤1、根据法律文书及量刑方法,建立描述案件的向量模型:
假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:
X=[x1,x2,...,xR+T] (1)
其中
R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。
选择L篇法律文书进行判决标注,并把它们记作XL。相应的标注集记作Y。并表示成
Y=[y1,y2,K,yL] (3)
其中
C是刑罚类型的数量,在案件审判中常常在两类判决中进行取舍,因此在这种情况下认为有两类刑罚,分别记作正类和负类,如果一个案件xi的判决属于正类,则yi=[1,0],否则,yi=[0,1];
步骤2、根据判决问题的复杂度,建立恰当的深度神经网络结构:
构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN),该网络的输入层的节点个数等于法律文书的关键词的个数D,该网络的输出层的节点个数等于刑罚类型的数量C,
步骤3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数:
使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络:
其中hN表示第N层神经元的输出,
设计两种判决对应的模糊函数,对于正类和反类分别有:
A={(x,μA(x));x∈X} (8)
B={(x,μB(x));x∈X} (9)
对于每个案例,计算该函数值的过程如下
其中的参数β和γ的计算方法是
γ=max(d(xi)) (13)
β=ξ×γ,ξ≥2 (14)
步骤4、利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果:
获取神经网络的最终输出结果:
其中,
其中,是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重,
把输入案例的判决类别确定成:
则该***推荐的判决类型为第种判决。
本发明具有以下特点:
(1)目前有诸多关于案件推理相关研究,但是以深度学习和模糊数学为基础的案件推理***还鲜有研究和讨论,本发明研究基于模糊深度信念网络的案件智能分析及推理,研究内容具有新颖性。
(2)本发明从案件的证据及过往因循案例出发,实现案件智能分析及证据关联,有助于减轻法官的工作量,研究具有工程前瞻性。
(3)考虑到案件审理的具有一定的主观性,同时当前对案件的处理依然不能摆脱人工密集型的特点,本发明将基于证据和案例的推理***应用到案件审理过程中,可以有效保障案件审理的客观性;同时辅助决策***可以有效保障案件审理的公平,提高审案效率,具有理论创新和应用创新的价值。
附图说明
图1为本发明的基于模糊深度信念网络的刑事案件辅助决策方法的流程示意图。
具体实施方式
将案例的特征与法律领域本体案例库中的本体信息进行比较、匹配,通过本体解析,在法律条例本体案例库中找到与案例的特征相似的相关法条,并提取法条及相关审判推荐,整体架构如图1所示。
根据法律文书及量刑方法,建立描述案件的向量模型:
假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:
X=[x1,x2,...,xR+T] (1)
其中
R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。
选择L篇法律文书进行判决标注,并把它们记作XL。相应的标注集记作Y。并表示成
Y=[y1,y2,K,yL] (3)
其中
C是刑罚类型的数量。在案件审判中常常在两类判决中进行取舍,因此在这种情况下认为有两类刑罚,分别记作正类和负类。如果一个案件xi的判决属于正类,则yi=[1,0]’;否则,yi=[0,1]’。
根据判决问题的复杂度,建立恰当的深度神经网络结构:
构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN)。该网络的输入层的节点个数等于法律文书的关键词的个数D。该网络的输出层的节点个数等于刑罚类型的数量C。
借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数:
使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络:
其中hN表示第N层神经元的输出。
设计两种判决对应的模糊函数,对于正类和反类分别有:
A={(x,μA(x));x∈X} (8)
B={(x,μB(x));x∈X} (9)
对于每个案例,计算该函数值的过程如下
其中的参数β和γ的计算方法是
γ=max(d(xi)) (13)
β=ξ×γ,ξ≥2 (14)
利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果:
获取神经网络的最终输出结果:
其中
其中是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重。
把输入案例的判决类别确定成:
则该***推荐的判决类型为第种判决。
Claims (6)
1.一种基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,包括以下步骤:
步骤S1、根据法律文书及量刑方法,建立描述案件的向量模型;
步骤S2、根据判决问题的复杂度,建立恰当的深度神经网络结构;
步骤S3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数;
步骤S4、利用神经网络进行建模,预测出法官判决的结果。
2.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,步骤S1具体包括:
根据描述法律文书的词袋模型,将描述案件的文本转化成一维向量;
根据刑罚类型,将描述案件的判决结果转化成一维向量。
3.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,步骤S2具体包括:
根据判决问题的复杂度,确定神经网络的层数;
根据判决的划分程度,确定神经网络中节点间的连接关系。
4.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,步骤S3具体包括:
使用非监督学习法逐层地学习神经网络的参数;
使用监督学习法通过梯度下降法对神经网络的参数进行微调。
5.根据权利要求1所述的基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,步骤S4具体包括:
对法律文书等资料的批量增加、对法律文书等资料的批量删除、对录入有误数据的修改以及对特定相关案例的查询;
根据神经网络的参数计算每个隐藏神经元的活跃程度;
计算从属函数的值;
利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果;
将输出结果对应于判决意义。
6.一种基于模糊深度信念网络的刑事案件辅助决策方法,其特征在于,包括以下步骤:
步骤1、根据法律文书及量刑方法,建立描述案件的向量模型:
假设已使用词袋模型对案例文本库中的文本进行了预处理,则将数据集表示成:
X=[x1,x2,...,xR+T] (1)
其中
R是作为训练样本的文本的数量,T是用于测试的文本的数量,D是法律案例的关键词的数量。
选择L篇法律文书进行判决标注,并把它们记作XL。相应的标注集记作Y。并表示成
Y=[y1,y2,K,yL] (3)
其中
C是刑罚类型的数量,在案件审判中常常在两类判决中进行取舍,因此在这种情况下认为有两类刑罚,分别记作正类和负类,如果一个案件xi的判决属于正类,则yi=[1,0],否则,yi=[0,1];
步骤2、根据判决问题的复杂度,建立恰当的深度神经网络结构:
构造一个具有一个输入层、一个输出层和N-1个隐藏层的深度信念网络(DBN),该网络的输入层的节点个数等于法律文书的关键词的个数D,该网络的输出层的节点个数等于刑罚类型的数量C,
步骤3、借助已知的正负判决关系,使用监督和非监督学习方法优化模型参数:
使用逐层的贪婪算法和梯度下降法通过解决以下优化问题来训练这个神经网络:
其中hN表示第N层神经元的输出,
设计两种判决对应的模糊函数,对于正类和反类分别有:
A={(x,μA(x));x∈X} (8)
B={(x,μB(x));x∈X} (9)
对于每个案例,计算该函数值的过程如下
其中的参数β和γ的计算方法是
γ=max(d(xi)) (13)
β=ξ×γ,ξ≥2 (14)
步骤4、利用隐藏神经元的活跃程度及从属函数的值获取神经网络的最终输出结果:
获取神经网络的最终输出结果:
其中,
其中,是第N-1层的第s个单元与第N层的第t个单元之间的连接的权重,
把输入案例的判决类别确定成:
则该***推荐的判决类型为第种判决。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710178176.XA CN106952193A (zh) | 2017-03-23 | 2017-03-23 | 一种基于模糊深度信念网络的刑事案件辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710178176.XA CN106952193A (zh) | 2017-03-23 | 2017-03-23 | 一种基于模糊深度信念网络的刑事案件辅助决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106952193A true CN106952193A (zh) | 2017-07-14 |
Family
ID=59473447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710178176.XA Pending CN106952193A (zh) | 2017-03-23 | 2017-03-23 | 一种基于模糊深度信念网络的刑事案件辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952193A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及*** |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及*** |
CN108595548A (zh) * | 2018-04-09 | 2018-09-28 | 南京网感至察信息科技有限公司 | 一种基于马尔可夫逻辑网络的案件裁判结果预测方法 |
CN109213864A (zh) * | 2018-08-30 | 2019-01-15 | 广州慧睿思通信息科技有限公司 | 基于深度学习的刑事案件预判***及其构建和预判方法 |
CN109241528A (zh) * | 2018-08-24 | 2019-01-18 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
CN109740728A (zh) * | 2018-12-10 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种基于多种神经网络组合的量刑计算方法 |
CN109919368A (zh) * | 2019-02-26 | 2019-06-21 | 西安交通大学 | 一种基于关联图的法条推荐预测***及方法 |
CN109933789A (zh) * | 2019-02-27 | 2019-06-25 | 中国地质大学(武汉) | 一种基于神经网络的司法领域关系抽取方法及*** |
CN110335181A (zh) * | 2019-07-05 | 2019-10-15 | 北京梦天门科技股份有限公司 | 一种基于人工智能的卫生监督执法自由裁量算法 |
CN110543930A (zh) * | 2018-05-28 | 2019-12-06 | 西门子股份公司 | 支持自动化***的规划的辅助***和方法以及训练方法 |
CN110990560A (zh) * | 2018-09-30 | 2020-04-10 | 北京国双科技有限公司 | 一种司法数据处理方法及*** |
CN112001162A (zh) * | 2020-07-31 | 2020-11-27 | 银江股份有限公司 | 基于小样本学习的智能审判*** |
CN113673243A (zh) * | 2021-08-23 | 2021-11-19 | 上海浦东华宇信息技术有限公司 | 文本类型识别方法及装置 |
CN115270798A (zh) * | 2022-09-23 | 2022-11-01 | 深圳市华云中盛科技股份有限公司 | 一种用于案件审理的辅助决策方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及*** |
CN104464727A (zh) * | 2014-12-11 | 2015-03-25 | 福州大学 | 一种基于深度信念网络的单通道音乐的歌声分离方法 |
CN106202010A (zh) * | 2016-07-12 | 2016-12-07 | 重庆兆光科技股份有限公司 | 基于深度神经网络构建法律文本语法树的方法和装置 |
CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及*** |
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
-
2017
- 2017-03-23 CN CN201710178176.XA patent/CN106952193A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及*** |
CN104464727A (zh) * | 2014-12-11 | 2015-03-25 | 福州大学 | 一种基于深度信念网络的单通道音乐的歌声分离方法 |
CN106202010A (zh) * | 2016-07-12 | 2016-12-07 | 重庆兆光科技股份有限公司 | 基于深度神经网络构建法律文本语法树的方法和装置 |
CN106296495A (zh) * | 2016-08-09 | 2017-01-04 | 点击律(上海)网络科技有限公司 | 一种诉讼结果的预测方法及*** |
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562938A (zh) * | 2017-09-21 | 2018-01-09 | 重庆工商大学 | 一种法院智能审判方法 |
CN107918921A (zh) * | 2017-11-21 | 2018-04-17 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及*** |
CN107918921B (zh) * | 2017-11-21 | 2021-10-08 | 南京擎盾信息科技有限公司 | 刑事案件判决结果度量方法及*** |
CN108133436A (zh) * | 2017-11-23 | 2018-06-08 | 科大讯飞股份有限公司 | 自动判案方法及*** |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN108595548A (zh) * | 2018-04-09 | 2018-09-28 | 南京网感至察信息科技有限公司 | 一种基于马尔可夫逻辑网络的案件裁判结果预测方法 |
CN110543930A (zh) * | 2018-05-28 | 2019-12-06 | 西门子股份公司 | 支持自动化***的规划的辅助***和方法以及训练方法 |
CN109241528A (zh) * | 2018-08-24 | 2019-01-18 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
CN109241528B (zh) * | 2018-08-24 | 2023-09-01 | 讯飞智元信息科技有限公司 | 一种量刑结果预测方法、装置、设备及存储介质 |
CN109213864A (zh) * | 2018-08-30 | 2019-01-15 | 广州慧睿思通信息科技有限公司 | 基于深度学习的刑事案件预判***及其构建和预判方法 |
CN110990560B (zh) * | 2018-09-30 | 2023-07-07 | 北京国双科技有限公司 | 一种司法数据处理方法及*** |
CN110990560A (zh) * | 2018-09-30 | 2020-04-10 | 北京国双科技有限公司 | 一种司法数据处理方法及*** |
CN109740728A (zh) * | 2018-12-10 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种基于多种神经网络组合的量刑计算方法 |
CN109919368A (zh) * | 2019-02-26 | 2019-06-21 | 西安交通大学 | 一种基于关联图的法条推荐预测***及方法 |
CN109919368B (zh) * | 2019-02-26 | 2020-11-17 | 西安交通大学 | 一种基于关联图的法条推荐预测***及方法 |
CN109933789B (zh) * | 2019-02-27 | 2021-04-13 | 中国地质大学(武汉) | 一种基于神经网络的司法领域关系抽取方法及*** |
CN109933789A (zh) * | 2019-02-27 | 2019-06-25 | 中国地质大学(武汉) | 一种基于神经网络的司法领域关系抽取方法及*** |
CN110335181A (zh) * | 2019-07-05 | 2019-10-15 | 北京梦天门科技股份有限公司 | 一种基于人工智能的卫生监督执法自由裁量算法 |
CN112001162A (zh) * | 2020-07-31 | 2020-11-27 | 银江股份有限公司 | 基于小样本学习的智能审判*** |
CN112001162B (zh) * | 2020-07-31 | 2024-05-31 | 银江技术股份有限公司 | 基于小样本学习的智能审判*** |
CN113673243A (zh) * | 2021-08-23 | 2021-11-19 | 上海浦东华宇信息技术有限公司 | 文本类型识别方法及装置 |
CN113673243B (zh) * | 2021-08-23 | 2022-04-22 | 上海浦东华宇信息技术有限公司 | 文本类型识别方法及装置 |
CN115270798A (zh) * | 2022-09-23 | 2022-11-01 | 深圳市华云中盛科技股份有限公司 | 一种用于案件审理的辅助决策方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952193A (zh) | 一种基于模糊深度信念网络的刑事案件辅助决策方法 | |
Sun et al. | A new method to identify incomplete frame of discernment in evidence theory | |
Ansari et al. | Neutrosophic classifier: An extension of fuzzy classifer | |
Chen et al. | Case-based reasoning system and artificial neural networks: A review | |
Utari et al. | Implementation of data mining for drop-out prediction using random forest method | |
CN109871452A (zh) | 确定犯罪特征的方法、装置以及存储介质 | |
Kulluk et al. | Fuzzy DIFACONN-miner: A novel approach for fuzzy rule extraction from neural networks | |
CN109101584A (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
CN114756686A (zh) | 一种基于知识图谱的知识推理和故障诊断方法 | |
Özlü et al. | Correlation coefficient of T-spherical type-2 hesitant fuzzy sets and their applications in clustering analysis | |
Tembusai et al. | K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification | |
CN102426585A (zh) | 一种基于贝叶斯网络的网页自动分类方法 | |
Wang et al. | Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm. | |
Suzdaltsev et al. | Fuzzy rules formation for the construction of the predictive diagnostics expert system | |
Le et al. | Learning to predict charges for legal judgment via self-attentive capsule network | |
Basha et al. | NRCS: Neutrosophic rule-based classification system | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
Biswas et al. | A rule generation algorithm from neural network using classified and misclassified data | |
CN107066468A (zh) | 一种基于遗传算法与最近邻算法的案件检索方法 | |
Kesharwani et al. | Detecting Fake Social Media Account Using Deep Neural Networking | |
Küçük et al. | A novel hybrid approach for simplified neutrosophic decision-making with completely unknown weight information | |
He et al. | Representation learning of knowledge graph for wireless communication networks | |
RS et al. | A SURVEY ON RAINFALL PREDICTION USING DATAMINING | |
CN112163707B (zh) | 一种基于贝叶斯网络的刑期预测方法 | |
Maseleno et al. | Combining fuzzy logic and Dempster-Shafer theory |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170714 |