【技术实现步骤摘要】
一种基于AI识别用户行为的分析系统及方法
[0001]本专利技术涉及AI
,更具体地说,它涉及一种基于AI识别用户行为的分析方法。
技术介绍
[0002]现有技术中对于金融网点人员工作行为的监控多依赖于人工判断是否存在异常,但是金融网点人员的异常行为隐蔽性高,而且异常因素包括金融网点人员的主观性因素和金融网点人员身体的客观性因素,难以准确的自动判断金融网点人员操作行为的异常性。
技术实现思路
[0003]本专利技术提供一种基于AI识别用户行为的分析方法,解决相关技术中难以准确的自动判断金融网点人员行为的异常性的技术问题。
[0004]本专利技术提供了一种基于AI识别用户行为的分析方法,包括以下步骤:
[0005]步骤101,采集金融网点人员行为对应的普通图像和红外图像,获得按照时间排序的普通图像集合和红外图像集合;
[0006]步骤102,构建神经网络模型,神经网络模型包括第一卷积层、第二卷积层、第一隐藏层和输出层,其中第一卷积层输入普通图像,第二卷积层输入红外图像;
[0007]步骤103,对第一卷积层的权重参数进行训练,训练的方法是将第一卷积层的输出连接到第一训练分类层,第一训练分类层的分类集合为Q={q1,q2,
…
,q
k
};分类集合Q的分类标签分别对应于人体不同动作;
[0008]步骤104,对第二卷积层的权重参数进行训练,训练的方法是将第二卷积层的输出连接到第二训练分类层,第二训练分类层的分类集合为R={r1 ...
【技术保护点】
【技术特征摘要】
1.一种基于AI识别用户行为的分析方法,其特征在于,包括以下步骤:步骤101,采集金融网点人员行为对应的普通图像和红外图像,获得按照时间排序的普通图像集合和红外图像集合;步骤102,构建神经网络模型,神经网络模型包括第一卷积层、第二卷积层、第一隐藏层和输出层,其中第一卷积层输入普通图像,第二卷积层输入红外图像;步骤103,对第一卷积层的权重参数进行训练,训练的方法是将第一卷积层的输出连接到第一训练分类层,第一训练分类层的分类集合为Q={q1,q2,
…
,q
k
};分类集合Q的分类标签分别对应于人体不同动作;步骤104,对第二卷积层的权重参数进行训练,训练的方法是将第二卷积层的输出连接到第二训练分类层,第二训练分类层的分类集合为R={r1,r2,
…
,r
m
};分类集合R的分类标签分别对应于人体不同动作;步骤105,将训练完毕的第一卷积层的输出和第二卷积层的输出连接第一隐藏层的输入;第一隐藏层包括N个隐藏节点和M个决策节点,M>N,每个决策节点连接一个第二卷积层的输出,每个隐藏节点包含两个输入,隐藏节点的一个输入连接一个第一卷积层的输出,隐藏节点的另一个输入连接决策节点;最后一个隐藏节点的输出连接输出层,输出层的输出权重矩阵将隐藏层节点的输出映射到最终分类空间,输出层包括两个输出,分别对应于正常的分类标签和异常的分类标签;步骤106,对神经网络模型进行训练;步骤107,将待识别行为的普通图像和红外图像输入神经网络模型来预测待识别行为是否异常。2.根据权利要求1所述的一种基于AI识别用户行为的分析方法,其特征在于,对普通图像集合进行预处理,只保留关键的普通图像。3.根据权利要求2所述的一种基于AI识别用户行为的分析方法,其特征在于,预处理的方法包括:从时间最早的普通图像开始向后遍历,遍历终止的条件是当前遍历的普通图像与遍历开始时的普通图像之间的第一距离大于设定的第一距离阈值;删除遍历开始与遍历终止之间的普通图像,然后从上一次遍历终止的普通图像开始重新启动遍历,直至所有普通图像被遍历。4.根据权利要求1所述的一种基于AI识别用户行为的分析方法,其特征在于,普通图像和红外图像相同,均是三通道RGB图像,对应的第一卷积层和第二卷积层的通道数为3。5.根据权利要求1所述的一种基于AI识别用户行为的分析方法,其特征在于,第一卷积层训练时的损失函数为:其中,y
i,q
表示第i个第一卷积层的训练集的样本属于第q个类别的预测值,q为第i个样本的真实类别,k为类别空间的类别总数,n为第一卷积层的训练集的样本总数,表示表
示第i个样本属于第j个类别的预测值。6.根据权利要求1所述的一种基于AI识别用户行为的分析方法,其特征在于,第二卷积层训练时的损失函数为:其中,u
i,r
表示第i个第二卷积层的训练集的样本属于第q个类别的预测值,q为第i个样本的真实类别,m为类别空间的类别总数,n为第二卷积层的训练集的样本总数,表示表示第i个样本...
【专利技术属性】
技术研发人员:黄若,林玉英,杨占丽,王辉,
申请(专利权)人:深圳市慧享技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。