一种基于模糊深度信念网络的刑事案件辅助决策方法技术

本发明专利技术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习方法优化模型参数；利用神经网络进行建模,预测出法官判决的结果。采用本发明专利技术技术方案，可以有效保障案件审理的客观性；同时辅助决策系统可以有效保障案件审理的公平，提高审案效率。

【技术实现步骤摘要】
一种基于模糊深度信念网络的刑事案件辅助决策方法
本专利技术涉及机器学习
，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。
技术介绍
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系统投入应用后，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，利用计算机系统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系统(ICAS)、美国比较数据系统(COMPSTAT)、加拿大自动化犯罪情报信息系统(ACIIS)、澳大利亚执法情本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：孙明东，韩芳，宋永利，
申请(专利权)人：北京华宇信息技术有限公司，
类型：发明
国别省市：北京,11