[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

说明书

本发明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；采用预设方法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。

技术领域

本发明涉及工况评估技术领域，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。

背景技术

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。

发明内容

针对相关技术中的问题，本发明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，本发明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；