一种基于PCA-BP-GA的案件质效评估方法及系统技术方案

本发明专利技术公开了一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
BP
‑
GA的案件质效评估方法及系统


[0001]本专利技术涉及数据挖掘技术，尤其涉及一种基于PCA
‑
BP
‑
GA的案件质效评估方法及 系统。

技术介绍

[0002]建立科学客观的质效指标体系是为了能够抓住审判质效管理的重点和要领，进而全 面提升审判质效。通过查阅各地方的质效评估，深入研究大量文献材料、咨询相关法律 人员，通过对相关数据进行归纳、总结，分析出一系列和质效相关的指标，可以在一定 程度上对案件进行质效评估。在拥有一套科学的质效指标体系之后，如果对质效的评估 工作进行评估打分是一项更加重要的工作，每个指标的权重是否一致，各指标之间是否 存在重要程度的差异等等这些都是需要考虑的内容，而以往的工作都是依靠人的经验来 完成，存在着主观性较大、工作量大、维护困难等诸多困难。
[0003][0004]利用神经网络来进行数据建模成为各项工程项目研究的主流。BP网络作为一种传 统的前反馈型神经网络，实质上实现了一个从输入到输出的映射功能，具有较强的非线 性映射能力。并且BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合 理规则”，并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习 和自适应的能力。
[0005]不过BP神经网络模型，也存在了一些缺点。BP网络存在局部最小值，BP神经网 络初始权值和阈值的选择往往采取随机进行赋值，而BP神经网络主要采用梯度信息来 确定搜索方向，初始权值以及阈值的不合理会导致网络可能陷入局部最优，从而导致网 络训练失败。
[0006]其次案件质效审判涉及的指标众多，很多指标存在较强的线性相关性，那么样本在 这两个维度上提供的信息就会存在一定的重复。此外出于降低数据的计算量以及去除噪 声等目的，同样要求将数据中不那么重要的维度剔除掉，各个维度之间是不相关的。
[0007]针对数据冗余及BP神经网络进行建模的弊端，有必要设计一种解决上述两种的问 题的方法。

技术实现思路

[0008]专利技术目的：本专利技术的目的是提供一种基于PCA
‑
BP
‑
GA的案件质效评估方法，将基 于主成分分析法和遗传算法引入到BP神经网络中，使模型获取更好的效果。
[0009]本专利技术的另一个目的是提供一种基于PCA
‑
BP
‑
GA的案件质效评估系统。
[0010]技术方案：本专利技术的一种基于PCA
‑
BP
‑
GA的案件质效评估方法，包括以下步骤：
[0011]S1、接收待评估的案件资料信息，并整理成案件相关数据集，数据集包括各法院案 件质效体系指标数据；
[0012]S2、对数据集进行预处理；采用主成份分析法PCA进行数据集的降维，提取影响 案
件质效的主要指标数据；
[0013]S3、将步骤S2提取的影响案件质效的主要指标数据输入到案件质效评估模型中， 通过案件质效评估模型获取对应案件的质效评估分数；
[0014]S4、根据案件质效评估分数完成对案件的评估工作。
[0015]进一步的，步骤S2中数据集预处理的方法为：
[0016]S201、数据集X＝{X1,X2,X3,
…
,X
r
}，其中r表示数据集中包含的法院个数，即数据 集中样本数目，X
j
表示第j个法院案件质效体系指标数据，j＝1
···
r，r，其中，n表示各法院案件质效体系指标个数，表示第j个法院的第 i个案件质效体系指标打分，i＝1
···
n；
[0017]S202、对各法院所有案件质效体系指标打分进行中心化：S202、对各法院所有案件质效体系指标打分进行中心化：表示第 j个样本的案件质效体系指标打分平均值；
[0018]S203、建立协方差矩阵：其中，X
T
是数据集X的转置矩阵；
[0019]S204、得出协方差矩阵A后，计算协方差矩阵的特征值与特征向量；
[0020]S205、将特征向量按对应特征值大小从上到下按行排列成矩阵，取前q行组成矩阵 P；P表示降维后的各法院案件质效指标数据，q表示降维后各法院案件质效指标数目；
[0021]S206、确定最终选定的影响案件质效的主要指标数据P。
[0022]进一步的，步骤S3中案件质效评估模型为经过训练后的改进BP神经网络模型，改 进BP神经网络模型的训练步骤为：
[0023]通过训练样本数据训练初始BP神经网络模型，训练样本数据为经过PCA降维后的 影响案件质效的主要指标数据；
[0024]根据初始BP神经网络模型的的全局误差E，采用遗传算法对初始BP神经网络模 型的连接权重和阈值进行更新，并完成训练，得到改进后的BP神经网络模型。
[0025]进一步的，初始BP神经网络模型的训练步骤为：
[0026]S301、BP神经网络初始化：输入层的节点个数为n，隐含层的节点个数为l，输出 层的节点个数为m；输入层到隐含层的权重w
ij
，隐含层到输出层的权重为w
jk
，输入层 到隐含层的阈值为a
j
，隐含层到输出层的阈值为b
k
；学习速率为λ，激励函数为：将经过PCA降维后的影响案件质效的主要指标数据P、输入层到隐含层 的权重w
ij
和输入层到隐含层的阈值a
j
作为BP神经网络的输入；
[0027]S302、计算各隐含层输出，隐含层输出H
j
计算公式为：其中，i＝1
···
n，j＝1
···
l；表示第j个法院的第i个案件质效体系指标打分，作为隐含层 各节点输入数据；
[0028]S303、计算输出层输出，输出层输出O
k
计算公式为：其中， k＝1
···
m；
[0029]S304、采用最小二乘法计算BP神经网络误差E，计算公式为：
其中Y
k
指期望输出；
[0030]S305、如果BP神经网络误差E大于设定的精度值，则更新输入层到隐含层的权重 和阈值以及隐含层到输出层的阈值，采用更新后的权重和阈值反向传播重复训练，直至 BP神经网络误差E满足精度ε为止，得到训练后的初始BP神经网络模型；
[0031]S306、将输出结果归一化，即将输出结果范围到(0,1]，作为初步的质效评估的分数。
[0032]进一步的，步骤S305中输入层到隐含层的权重更新公式为：进一步的，步骤S305中输入层到隐含层的权重更新公式为：e
k
表示当前的误差值，输入层到隐含层的阈值更新公式为： 隐含层到输出层的阈值更新公式为：
[0033]进一步的，改进后的BP神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
BP
‑
GA的案件质效评估方法，其特征在于，包括以下步骤：S1、接收待评估的案件资料信息，并整理成案件相关数据集，数据集包括各法院案件质效体系指标数据；S2、对数据集进行预处理；采用主成份分析法PCA进行数据集的降维，提取影响案件质效的主要指标数据；S3、将步骤S2提取的影响案件质效的主要指标数据输入到案件质效评估模型中，通过案件质效评估模型获取对应案件的质效评估分数；S4、根据案件质效评估分数完成对案件的评估工作。2.根据权利要求1所述的一种基于PCA
‑
BP
‑
GA的案件质效评估方法，其特征在于，步骤S2中数据集预处理的方法为：S201、数据集X＝{X1,X2,X3,
…
,X
r
}，其中r表示数据集中包含的法院个数，即数据集中样本数目，X
j
表示第j个法院案件质效体系指标数据，j＝1
···
r，r，其中，n表示各法院案件质效体系指标个数，表示第j个法院的第i个案件质效体系指标打分，i＝1
···
n；S202、对各法院所有案件质效体系指标打分进行中心化：S202、对各法院所有案件质效体系指标打分进行中心化：表示第j个样本的案件质效体系指标打分平均值；S203、建立协方差矩阵：其中，是数据集X的转置矩阵；S204、得出协方差矩阵A后，计算协方差矩阵的特征值与特征向量；S205、将特征向量按对应特征值大小从上到下按行排列成矩阵，取前q行组成矩阵P；P表示降维后的各法院案件质效指标数据，q表示降维后各法院案件质效指标数目；S206、确定最终选定的影响案件质效的主要指标数据P。3.根据权利要求1所述的一种基于PCA
‑
BP
‑
GA的案件质效评估方法，其特征在于，步骤S3中案件质效评估模型为经过训练后的改进BP神经网络模型，改进BP神经网络模型的训练步骤为：通过训练样本数据训练初始BP神经网络模型，训练样本数据为经过PCA降维后的影响案件质效的主要指标数据；根据初始BP神经网络模型的的全局误差E，采用遗传算法对初始BP神经网络模型的连接权重和阈值进行更新，并完成训练，得到改进后的BP神经网络模型。4.根据权利要求3所述的一种基于PCA
‑
BP
‑
GA的案件质效评估方法，其特征在于，初始BP神经网络模型的训练步骤为：S301、BP神经网络初始化：输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；输入层到隐含层的权重w
ij
，隐含层到输出层的权重为w
jk
，输入层到隐含层的阈值为a
j
，隐含层到输出层的阈值为b
k
；学习速率为λ，激励函数为：将经过PCA降维后的影响案件质效的主要指标数据P、输入层到隐含层的权重w
ij
和输入层到隐含层的阈值a
j
作为BP神经网络的输入；S302、计算各隐含层输出，隐含层输出H
j
计算公式为：其中，i
＝1
···
n，j＝1
···
l；表示第j个法院的第i个案件质效体系指标打分，作为隐含层各节点输入数据；S303、计算输出层输出，输出层输出O
k
计算公式为：其中，...

【专利技术属性】
技术研发人员：赵顺，廖小平，
申请(专利权)人：河海大学，
类型：发明
国别省市：