【技术实现步骤摘要】
本专利技术涉及一种社矫人员社会融入度概率估计方法，尤其涉及一种基于神经网络的社矫人员社会融入度概率估计方法。
技术介绍
1、社矫人员社会融入度是指社矫人员成功回归社会并重新参与社会生活的程度。而生活中是通过人工进行社矫人员社会融入度的概率估计，这种方式需要大量的人力，且耗时耗力，并且人工估计的方法没有统一的估计方法，具有不准确性，不利于社区矫正机构更好地了解社区矫正人员的情况，也不利于提高社区矫正人员的社会融入度。
技术实现思路
1、为了解决上述技术所存在的不足之处，本专利技术提供了一种基于神经网络的社矫人员社会融入度概率估计方法。
2、为了解决以上技术问题，本专利技术采用的技术方案是：一种基于神经网络社矫人员社会融入度概率估计方法，包括：
3、步骤s1：选取样本特征，确定样本集；
4、步骤s2：对样本集进行编码处理，取85％的样本集构成训练集，剩余15％的样本集构成测试集；
5、步骤s3：利用bp神经网络，设定神经网络参数α，采用单隐层结构，并设定隐层神经元个数p个，训练轮数为q，对训练集进行训练；单隐层结构中的输入层和隐藏层的激活函数为tanh函数，输出层的激活函数为softmax函数，学习率为β，并利用adam优化器进行优化；
6、步骤s4：计算测试误差，判断测试误差是否满足要求，并得到社矫人员社会融入度概率模型f(x)；利用f(x)对测试集进行预测，并得到预测结果；
7、输入层计算公式为：
9、其中，n为输入层的节点数，wij为输入层到隐藏层的权值；a为输入层的阈值，e为自然对数的底数；
10、输出层计算公式为：
11、
12、其中，l为隐藏层的节点数，m为输出层的节点数，wjk为输出层的权值，b为输出层的阈值。
13、进一步地，步骤s1中样本集为其中，n为构成样本集的社矫人员的个数；m为每名社矫人员包含的样本特征个数。
14、进一步地，样本特征包括可能性与基本因素、个性及心理因素、社会因素、综合因素；可能性与基本因素包括受教育程度、就业态度和状况、婚姻家庭状况、生活来源、固定住所；个性及心理因素包括自控能力、心理健康状况、有精神病史或精神病遗传史、对现实社会的心态、法律知识或法制观念；社会因素包括交友情况、个人成长经历、家属配合矫正工作；综合因素包括社区矫正类别。
15、进一步地，步骤2中取85％的样本集构成训练集剩余的15％的样本集构成测试集其中，n1＝1，2，…，n1，n2＝1，2，…，n2，n1+n2＝n；n1为训练集中社矫人员的个数；n2为测试集中社矫人员的个数。
16、进一步地，对样本集进行编码处理时，分别对具有大小意义的样本特征即“受教育程度”、“生活来源”、“自控能力”、“心理健康状况”、“有精神病史或精神病遗传史”进行映射编码；对不具有大小意义的样本特征即“就业态度和状况”、“婚姻家庭状况”、“对现实社会的心态”、“法律知识或法制观念”、“交友情况”、“个人成长经历”“家属配合矫正工作”、“社区矫正类别”进行独热编码。
17、进一步地，步骤s3中神经网络参数α包括隐层神经元个数、训练轮数、激活函数的选择和学习率。其中，
18、输入层和隐藏层的激活函数tanh函数的表达式为：
19、
20、其中，z为输入值；
21、输出层的激活函数softmax函数的表达式为：
22、
23、其中，zi为第i个节点的输出值，c为输出节点的个数。
24、进一步地，步骤s3中在对训练集进行训练前，利用综合采样人工合成数据的smote算法对训练集进行样本平衡处理。
25、进一步地，利用tensorflow框架搭建神经网络模型实现bp神经网络。
26、进一步地，若计算的测试误差满足要求则结束训练；若测试误差不满足要求则调整神经网络参数α，重新利用训练集进行训练，直至测试误差满足要求，进而得到社矫达人社会融入度概率模型f(x)。
27、本专利技术公开了一种基于神经网络社矫人员社会融入度概率估计方法，从社矫人员社会融入的可能性与基本因素，个性及心理因素，社会因素，综合因素及在矫正期间的刑罚执行情况，矫正期间的表现，矫正期间的奖惩情况，矫正阶段反应，外界综合评价等数据类型变化中去除情景因素与环境因素造成的“刺激-反应”的偶发性因素来选定预测因子即样本集，通过对样本集编码处理后拆分为训练集和测试集，再搭建神经网络，并设定神经网络参数α，通过神经网络模拟人脑的信息处理和学习过程，构建社矫人员社会融入度概率估计方法来预测社矫中、解矫后的社矫人员社会融入度概率，具有统一的估计模型，提高了估计的准确性，同时能够减少人力的浪费，通过这种方法能够帮助社区矫正机构更好地了解社区矫正人员的情况，并制定更加科学、合理的社区矫正方案，如提供职业培训、心理辅导等，从而提高社区矫正人员的社会融入度。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的社矫人员社会融入度概率估计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S1中样本集为其中，N为构成样本集的社矫人员的个数；M为每名社矫人员包含的样本特征个数。
3.根据权利要求2所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S1中样本特征包括可能性与基本因素、个性及心理因素、社会因素、综合因素；可能性与基本因素包括受教育程度、就业态度和状况、婚姻家庭状况、生活来源、固定住所；个性及心理因素包括自控能力、心理健康状况、有精神病史或精神病遗传史、对现实社会的心态、法律知识或法制观念；社会因素包括交友情况、个人成长经历、家属配合矫正工作；综合因素包括社区矫正类别。
4.根据权利要求3中所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤2中取85％的样本集构成训练集剩余15％的样本集构成测试集其中，n1＝1，2，…，N1，n2＝1，2，…，N2，N1+N2＝N；N1为训练集中社矫人员的个数，N2为测试集中社矫人员
5.根据权利要求4所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S2中对样本集进行编码处理时，分别对具有大小意义的样本特征即受教育程度、生活来源、自控能力、心理健康状况、有精神病史或精神病遗传史进行映射编码。
6.根据权利要求5所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S2中对样本集进行编码处理时，分别对不具有大小意义的样本特征即就业态度和状况、婚姻家庭状况、对现实社会的心态、法律知识或法制观念、交友情况、个人成长经历、家属配合矫正工作、社区矫正类别进行独热编码。
7.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S3中神经网络参数α包括隐层神经元个数、训练轮数、激活函数的选择和学习率。其中，
8.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S3中在对训练集进行训练前，利用综合采样人工合成数据的SMOTE算法对训练集进行样本平衡处理。
9.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S3中建立TensorFlow框架实现BP神经网络。
10.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤S4中，若计算的测试误差满足要求则结束训练；若测试误差不满足要求则调整神经网络参数α，重新利用训练集进行训练，直至测试误差满足要求，进而得到社矫人员社会融入度概率模型f(X)。
...【技术特征摘要】
1.一种基于神经网络的社矫人员社会融入度概率估计方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤s1中样本集为其中，n为构成样本集的社矫人员的个数；m为每名社矫人员包含的样本特征个数。
3.根据权利要求2所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤s1中样本特征包括可能性与基本因素、个性及心理因素、社会因素、综合因素；可能性与基本因素包括受教育程度、就业态度和状况、婚姻家庭状况、生活来源、固定住所；个性及心理因素包括自控能力、心理健康状况、有精神病史或精神病遗传史、对现实社会的心态、法律知识或法制观念；社会因素包括交友情况、个人成长经历、家属配合矫正工作；综合因素包括社区矫正类别。
4.根据权利要求3中所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤2中取85％的样本集构成训练集剩余15％的样本集构成测试集其中，n1＝1，2，…，n1，n2＝1，2，…，n2，n1+n2＝n；n1为训练集中社矫人员的个数，n2为测试集中社矫人员的个数；并对样本集进行编码处理。
5.根据权利要求4所述的基于神经网络的社矫人员社会融入度概率估计方法，其特征在于：所述步骤s2中对样本集进行编码处理时，分别对具有大小意义的样本特征即受教育程...
【专利技术属性】
技术研发人员：代立，巴文龙，毕紫薇，庞景秋，齐井春，
申请(专利权)人：长春嘉诚信息技术股份有限公司，
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。