一种基于注意力机制的特殊人员行为风险预警方法及系统技术方案

本发明专利技术涉及一种基于注意力机制的特殊人员行为风险预警方法及系统，包括：步骤一：采集特殊人员在被管理期间和被解除管理后的全周期静态数据和动态数据，构建样本数据集并进行预处理；步骤二：构建并训练特殊人员再次发生危险行为的风险预警模型；步骤三：采集待预警的特殊人员的静态数据和动态数据，通过步骤一的预处理，输入步骤二得到的训练好的特殊人员再次发生危险行为的风险预警模型，输出特殊人员自解除管理后五年内再次发生危险行为的概率。本发明专利技术提出了采用密集连接卷积网络DenseNet结合CBAM注意力机制，实现特征通道的加权和二维数据图中数据项的加权，聚焦有重要影响的因素，减少对非重点信息的关注，提高神经网络的计算效率和准确性。经网络的计算效率和准确性。经网络的计算效率和准确性。

【技术实现步骤摘要】
一种基于注意力机制的特殊人员行为风险预警方法及系统


[0001]本专利技术涉及一种基于密集连接卷积网络DenseNet结合注意力机制CBAM的特殊人员行为风险预警方法及系统，属于人工智能、信号处理


技术介绍

[0002]深层卷积网络能够有效挖掘多维数据中所蕴含的语义特征，实现对象的精准分类。对深层网络进行监督训练时，往往会产生梯度消失的问题，导致网络训练速度变慢，拟合效果变差。密集连接卷积网络DenseNet可以实现特征信息的跨层传输，每一层的输入均来自前面所有层的输出，减轻了梯度消失现象，减少了每层的卷积核个数，减少了网络参数。注意力机制能够从众多信息中筛选出对当前检测评估任务具有关键影响的信息并赋予其较大的权重，减少对不重要信息的关注。CBAM (Convolutional Block Attention Module)注意力模块结合了通道和空间注意力机制，同时考虑到了不同特征图通道和不同像素点的重要性。增量学习技术能够有效地利用不断发现的新案例，优化网络参数，挖掘数据更多的深层次语义信息，构建输入与输出之间的精准关系。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，包括步骤如下：步骤一：采集特殊人员在被管理期间和被解除管理后的全周期静态数据和动态数据，构建样本数据集，并进行预处理；静态数据是指特殊人员的个人属性信息，动态数据是指特殊人员被管理期间不同时间内所采集到的数据；步骤二：构建基于密集连接卷积网络DenseNet和CBAM注意力机制的特殊人员再次发生危险行为的风险预警模型，并通过步骤一预处理后的样本数据集进行训练，得到训练好的特殊人员再次发生危险行为的风险预警模型；步骤三：采集待预警的特殊人员被管理期间和被解除管理后的全周期静态数据和动态数据，通过步骤一的预处理，输入步骤二得到的训练好的特殊人员再次发生危险行为的风险预警模型，输出特殊人员被解除管理后五年内再次发生危险行为的概率。2.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，采集特殊人员被管理期间和被解除管理后的全周期静态数据和动态数据，构建样本数据集，基于特殊场所管理特殊人员的平均时间和数据采集频率，将管理时间分为等间隔的时间段，假设共有N个时间段，每M个月作为一个时间段，按照动态数据的采集时间将其汇集到不同的时间段内，此处，N和M作为神经网络的超参数，在网络训练时通过测试集来确定，具体过程包括：将特殊场所中所管理的自上次被解除管理后五年内再次发生危险行为的人员筛选出来，提取这些人员上次被管理期间的静态数据和动态数据，作为已知的再次发生危险行为的案例补充进样本数据集，并做好标注；同时，筛选自上次被解除管理后五年内没有再次发生危险行为的特殊人员，提取这些人员上次被管理期间的静态数据和动态数据，作为已知的未再次发生危险行为的案例补充进样本数据集，并做好标注；将样本数据集划分为训练集和测试集，其中测试集用于测算特殊人员再次发生危险行为的风险预警模型的预警准确率，并实现对网络超参数的调整。3.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，预处理的具体过程包括：(1)采用独热编码将采集的样本数据集中的字符型数据转为数值型，采用词向量编码将采集的样本数据集中的文本型数据转为数值型；(2)针对每个时间段构建一张二维数据图，在二维数据图的四周固定位置放置特殊人员的静态数据，中间位置放置该时间段内所采集到的特殊人员的动态数据，静态数据被重复放置在每张二维数据图上，被视为特殊人员的环境信息；如果特殊人员共有T张二维数据图，且T≥N，则截取距离其被解除管理时刻最近的N张二维数据图，即编号为{T
‑
N+1,
…
,T}的二维数据图；如果特殊人员共有T张二维数据图，且T<N，则将总的二维数据图扩展为N张，具体操作方式为：将编号为{1,
…
,N
‑
T}的二维数据图中动态数据设置为特殊人员在该字段的平均值，将静态数据放置于二维数据图四周固定位置上，将T张二维特征图按顺序排为{N
‑
T+1,
…
,N}时间段的二维数据图。4.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，预处理后进行数据增强，数据增强的方法具体过程包括以下几种：第一，如果某个特殊人员有多次发生危险行为的经历，则截取其几次被管理时数据分别作为样本，扩充样本数据集；
第二，不同特殊人员包括真实动态数据的二维数据图有限时，即T<N，则针对不同的T进行监督训练，具体是指：首先，针对样本数据集中的已有样本，分别截取距离特殊人员被解除管理时刻最近的T次二维数据图作为新的样本数据；然后，将二维数据图{1,
…
,N
‑
1}中的动态数据设置为特殊人员在该字段的平均值；最后，在固定最后一张二维数据图的前提下，随机截取之前的二维数据图，组合成T张二维数据图，扩充样本数据集；第三，检查新近被管理的特殊人员是否为自上次被解除管理后五年内再次发生危险行为的人员，如果是，则将其上次被管理期间的静态数据和动态数据结合此次被管理前的社会经历数据融合，按照给定的格式组合成二维数据图，补充为新的样本，扩充样本数据集。5.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤二中，构建基于密集连接卷积网络DenseNet和CBAM注意力机制的特殊人员再次发生危险行为的风险预警模型，具体是指：将N张二维数据图作为N个通道，采用特殊人员再次发生危险行为的风险预警模型提取N个通道二维数据图所蕴含的深层次空时特征，并挖掘关键特征通道和关键数据因子对预警结果的贡献；特殊人员再次发生危险行为的风险预警模型包括4个密集连接块、4个CBAM注意力模块、全连接网络、Softmax层；每个密集连接块后连接1个CBAM注意力模块；通过Softmax层进行Softmax运算，输出特殊人员自被解除管理后五年内再次发生危险行为的概率和不再发生危险行为的概率；每个密集连接块包括4层卷积网络，4个密集连接块的卷积核分别为12、24、48、96；每个CBAM注意力模块包括通道注意力模块和空间注意力模块；通道注意力模块用于关注有较大意义的特征通道，输入一个H
×
W
×
C的特征F，首先，分别进行空间的全局平均池化和最大池化，得到两个1
×1×
C的通道描述；然后，将两个1
×1×
C的通道描述分别送入一个共享的两层全连接网络，经两层全连接网络得到两个特征；两层全连接网...

【专利技术属性】
技术研发人员：翟超，倪志祥，李玉军，杨阳，
申请(专利权)人：山东大学，
类型：发明
国别省市：