[发明专利]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

权利要求书

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；

其中，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。

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中自助阅卷终端的模块的名称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表示自助阅卷终端的运行状态正常，编码为-1表示自助阅卷终端的运行状态异常。

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；

对于会对客户的工作造成负面影响的工况异常，则需要上报。

7.根据权利要求6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，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。