基于稠密神经网络模型的法院自助阅卷终端工况评估方法技术

本发明专利技术公开了基于稠密神经网络模型的法院自助阅卷终端工况评估方法，该评估方法包括以下步骤：采集自助阅卷终端模块的运行状态，以名义变量的形式输入稠密神经网络；根据历史工单建立用于训练稠密神经网络的数据集；针对业务本身的规律，制定相应的异常工况上报方案；利用互联网上广泛存在的中英互译大数据进行预训练，提取翻译问题中状态转化部分的稠密神经网络参数作为初始参数；对稠密神经网络进行训练；利用训练好的稠密神经网络对自助阅卷终端工况进行评估，确定异常状态处置工作中需介入的处置团队。有益效果：本发明专利技术的方法可有效降低自助阅卷终端异常恢复所需的时长，大幅提高自助阅卷终端的服务效能。

【技术实现步骤摘要】
基于稠密神经网络模型的法院自助阅卷终端工况评估方法
本专利技术涉及工况评估
，具体来说，涉及基于稠密神经网络模型的法院自助阅卷终端工况评估方法。
技术介绍
深层神经网络在分类问题中具有广泛的应用，稠密神经网络以其较强的表达能力一直受到研究界和产业界的关注，针对工况评估问题，其历史工单数据在几千的量级，利用稠密网络来进行评估是较为妥当的技术方案。随着老百姓知识水平与法律维权意识的全面提升和阅卷登记制的全面推广施行，法院年受理案件数量长期处于高位，2020年各级法院受理案件3084.5万件，在法官员额制改革的双重压力下，案多人少矛盾越发突出。为此，2014年起，最高人民法院指导各级人民法院建设诉讼服务大厅，引入自助服务终端，为当事人提供自助诉讼服务，缓解法官的工作压力。随着终端设备数量的快速增加和自助终端使用率的不断提高，终端设备故障发生的频次越来越高，部分故障甚至影响到法院正常业务的开展，因此对终端设备进行工况检测，并建立快速响应机制，提前感知故障并制定妥善的处置方案，成为了一个迫切需求。
技术实现思路
针对相关技术中的问题，本专利技术提出基于稠密神经网络模型的法院自助阅卷终端工况评估方法，以克服现有相关技术所存在的上述技术问题。为此，本专利技术采用的具体技术方案如下：基于稠密神经网络模型的法院自助阅卷终端工况评估方法，该评估方法包括以下步骤：S1、采集自助阅卷终端模块的运行状态，并以名义变量的形式输入稠密神经网络；S2、根据自助阅卷终端的历史工单建立用于训练稠密神经网络的数据集；S3、针对自助阅卷终端中业务本身的规律，制定相应的异常工况上报方案；S4、利用互联网上广泛存在的中英互译大数据进行预训练，提取翻译问题中状态转化部分的稠密神经网络参数作为初始参数；S5、采用预设方法对稠密神经网络进行训练；S6、利用训练好的稠密神经网络对自助阅卷终端工况进行评估，并确定异常状态处置工作中需介入的处置团队。进一步的，所述S1中自助阅卷终端模块名包括二代身份证阅读器异常、话筒异常、条码扫描器异常、高扫扫描失败、摄像头异常、打印机缺墨、打印机卡纸、打印机缺纸、模块检测异常、断网、异常关机、加密狗验证失败、加密狗未插入、授权文件异常、服务器授权文件异常、阅卷失败、页面错位、页面数据缺少及其他。进一步的，所述S2根据自助阅卷终端的历史工单建立用于训练稠密神经网络的数据集具体包括以下步骤：S21、根据历史工单的处理过程，辨析出该工单产生时自助阅卷终端的运行状态；S22、采用预设的编码规则对自助阅卷终端的运行状态进行编码表示，并跟踪该工单的处理过程，了解各部分和职位的介入情况；S23、以自助阅卷终端的运行状态编码为特征，介入情况为标签构建数据集。进一步的，所述S22中预设的编码规则为：编码为+1表示自助阅卷终端模块的运行状态正常，编码为-1表示自助阅卷终端模块的运行状态异常。进一步的，所述S22中的介入情况如下：当相应的部门或职位未介入时采用-1表示，当相应的部门或职位介入时采用+1表示。进一步的，所述S3中异常工况上报方案具体如下：对于因用户的不当操作而产生的工况异常，则无需上报；对于会对客户的工作造成负面影响的工况异常，则需要上报。进一步的，对于所述需要上报的工况异常首先需要售后予以妥善解决，部分异常甚至需要调动研发部门进行底层修复，同时需要本地团队、代理商、销售、副总经理甚至总经理开展工作，来消弭工况异常造成的不良后果，因此需要建立分级分类的工况异常上报机制。进一步的，所述S4中利用互联网上广泛存在的中英互译大数据进行预训练，提取翻译问题中状态转化部分的稠密神经网络参数作为初始参数具体包括以下步骤：S41、利用互联网上广泛存在的中英文翻译问题对稠密神经网络进行预训练；S42、搜集互联网上的中英文句子对，并使用长短时记忆模型LSTM对中文句子进行编码；S43、利用稠密神经网络进行状态转换，将转换后的状态用长短时记忆模型进行解码，得到英文句子；S44、利用正确英文句子和生成英文句子的交叉熵来训练由编码器、稠密神经网络、解码器组成的神经网络；S45、经过预设次数的迭代后，提取稠密神经网络部分的参数，并将其作为工况评估时稠密神经网络的初始参数。进一步的，所述S5中采用预设方法对稠密神经网络进行训练具体包括以下步骤：S51、设置迭代步长；S52、设置目标函数为均方误差，即，其中为真实标签，为模型给出的标签；S53、设置迭代退出条件为验证集残差小于；S54、设置稠密神经网络各层节点数分别为64、128、128、64个，输入节点数为19个，输出节点数为7个；S55、稠密神经网络各神经元节点激活函数选择继电器线性激活函数，即，为第i层第j个神经元的激活值，为第i层第j个神经元的输出；S56、采取加权偏置的方式来计算各神经元的激活值，即，其中和分别为第i层第j个神经元的计算权重向量和偏置量，为第i层第j个神经元的输入向量；S57、设置遗忘参数；S58、设置矩参数；S59、设置输出层节点的激活函数为符号函数，即，其中为第i个输出层节点的激活值。进一步的，所述S56中各神经元包含稠密神经网络神经元和输出层神经元。本专利技术的有益效果为：通过提供一种用于评估法院诉讼服务大厅自助阅卷终端工作状况的方法，不仅可以根据模块的运行状态定义自助阅卷终端运行工况，全面、完整地描述自助阅卷终端的运行工况，而且还可以建立自助阅卷终端工况与异常处置过程中介入部门之间的关联关系，为团队的协调调动提供支撑，确定异常状态处置工作中需介入的处置团队，本专利技术的方法可有效降低自助阅卷终端异常恢复所需的时长（83%），从而可以大幅提高自助阅卷终端的服务效能。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例的基于稠密神经网络模型的法院自助阅卷终端工况评估方法的流程图；图2是根据本专利技术实施例的基于稠密神经网络模型的法院自助阅卷终端工况评估方法的网络结构示意图；图3是根据本专利技术实施例的基于稠密神经网络模型的法院自助阅卷终端工况评估方法中预训练问题所采用的网络结构示意图；图4是根据本专利技术实施例的基于稠密神经网络模型的法院自助阅卷终端工况评估方法中异常工况处置的流程图；图5是根据本专利技术实施例的基于稠密神经网络模型的法院自助阅卷终端工况评估方法中模型上线后同期对比的故障相应时间对比示意图。具体实施方式为进一步说明各实施例，本专利技术提供有附图，这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述本文档来自技高网...

【技术保护点】
1.基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，该评估方法包括以下步骤：/nS1、采集自助阅卷终端模块的运行状态，并以名义变量的形式输入稠密神经网络；/nS2、根据自助阅卷终端的历史工单建立用于训练稠密神经网络的数据集；/nS3、针对自助阅卷终端中业务本身的规律，制定相应的异常工况上报方案；/nS4、利用互联网上广泛存在的中英互译大数据进行预训练，提取翻译问题中状态转化部分的稠密神经网络参数作为初始参数；/nS5、采用预设方法对稠密神经网络进行训练；/nS6、利用训练好的稠密神经网络对自助阅卷终端工况进行评估，并确定异常状态处置工作中需介入的处置团队。/n

【技术特征摘要】
1.基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，该评估方法包括以下步骤：
S1、采集自助阅卷终端模块的运行状态，并以名义变量的形式输入稠密神经网络；
S2、根据自助阅卷终端的历史工单建立用于训练稠密神经网络的数据集；
S3、针对自助阅卷终端中业务本身的规律，制定相应的异常工况上报方案；
S4、利用互联网上广泛存在的中英互译大数据进行预训练，提取翻译问题中状态转化部分的稠密神经网络参数作为初始参数；
S5、采用预设方法对稠密神经网络进行训练；
S6、利用训练好的稠密神经网络对自助阅卷终端工况进行评估，并确定异常状态处置工作中需介入的处置团队。


2.根据权利要求1所述的基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，所述S1中自助阅卷终端模块名包括二代身份证阅读器异常、话筒异常、条码扫描器异常、高扫扫描失败、摄像头异常、打印机缺墨、打印机卡纸、打印机缺纸、模块检测异常、断网、异常关机、加密狗验证失败、加密狗未插入、授权文件异常、服务器授权文件异常、阅卷失败、页面错位、页面数据缺少及其他。


3.根据权利要求1所述的基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，所述S2根据自助阅卷终端的历史工单建立用于训练稠密神经网络的数据集具体包括以下步骤：
S21、根据历史工单的处理过程，辨析出该工单产生时自助阅卷终端的运行状态；
S22、采用预设的编码规则对自助阅卷终端的运行状态进行编码表示，并跟踪该工单的处理过程，了解各部分和职位的介入情况；
S23、以自助阅卷终端的运行状态编码为特征，介入情况为标签构建数据集。


4.根据权利要求3所述的基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，所述S22中预设的编码规则为：编码为+1表示自助阅卷终端模块的运行状态正常，编码为-1表示自助阅卷终端模块的运行状态异常。


5.根据权利要求3所述的基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，所述S22中的介入情况如下：当相应的部门或职位未介入时采用-1表示，当相应的部门或职位介入时采用+1表示。


6.根据权利要求1所述的基于稠密神经网络模型的法院自助阅卷终端工况评估方法，其特征在于，所述S3中异常工况上报方案具体如下：
对于因用户的不当操作而产生的工况异常，则无需上报；
对于会对客户的工...

【专利技术属性】
技术研发人员：张洁，胡振，
申请(专利权)人：南京铉盈网络科技有限公司，南京智盈人工智能研究院有限公司，
类型：发明
国别省市：江苏;32