[發明專利]一種風險信息自動分類、識別與預警方法及系統

有效

• 申請號: 201710197952.0
• 申請日: 2017-03-29
• 公開（公告）號: CN107180070B
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 龐素琳
• 申請（專利權）人: 暨南大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06Q10/06
• 代理公司: 廣州潤禾知識產權代理事務所(普通合伙) 44446
• 代理人: 凌衍芬

本發明涉及風險識別與預警領域，更具體地，涉及一種風險信息自動分類、識別與預警方法及系統。方法包括：S1．接收用戶發送的信息并將其作為風險目標；S2．對該信息進行風險信息分類和識別處理得到用戶所處環境的風險類別；S3．根據風險類別輸出對應的預警信號；S4．根據預警信號提供應急決策方案。本發明的方法先對用戶發出的信息進行風險信息分類處理，然后根據分類情況輸出相對應的預警信號，根據預警信號提供對應的應急決策方案，該方法集合了風險識別、分類和預警功能，能夠根據用戶發送的信息及時為用戶提供應對措施。

技術領域

本發明涉及風險識別與預警領域，更具體地，涉及一種風險信息自動分類、識別與預警方法及系統。

背景技術

目前，現有技術中對信息分類大概有如下集中方式：逐步分類判別、逐步判別分析、分類逐層評價、逐層貪婪訓練法、逐層遞進法。

其中，逐步判別采用有進有出的算法，對每一步都進行檢驗。把一個判別能力最強的變量引入判別式，同時對先進入判別式的某些變量，如果其原有的差別能力隨其后變量的引入而改變，被某些變量的作用所替代，則及時將其從判別式中剔除，使最終的判別式保留判別能力最強的變量。逐步判別分析算法的具體步驟為：第1步：挑選變量（數據準備、選入和剔除變量）；第2步：利用選入和剔除變量建立判別函數；第3步：對待判別的樣本作判別分析。

分類逐層評價方法是在專家打分的基礎上，采用基于云模型標度判斷矩陣的改進層次分析法，逐層進行權重計算，確定了各具體指標與城市綜合交通樞紐評價總指數之間的關系，然后進行分類逐層評價。

逐層貪婪訓練法的主要思路是：在深度神經網絡中，每次只訓練網絡中的一層，即首先訓練一個只含一個隱藏層的網絡，僅當這層網絡訓練結束之后才開始訓練一個有兩個隱藏層的網絡，以此類推。在每一步中，把已經訓練好的前k-1層固定，然后增加第k層，也就是將已經訓練好的前k-1的輸出作為輸入。每一層的訓練可以是有監督的（例如，將每一步的分類誤差作為目標函數），但更通常使用無監督方法。

逐層遞進法又叫層進式，它與并列式（并列組合法）、對照式、總分式一起構成了議論文論證結構的四種模式。逐層遞進法中，各分論點呈現出由此及彼、由淺入深、由現象到本質、由簡單到復雜、由小到大、由表及里的遞進關系。但這5個概念即逐步分類判別、逐步判別分析、分類逐層評價、逐層貪婪訓練法、逐層遞進法在中國期刊網上都尚未查到相應的研究文獻。

在分類模型和算法研究方面，West（2000）建立了五種不同的神經網絡信用分類模型及其相應算法：多層感知器（MLP）、專家雜合系統（mixture-of-experts）、徑向基函數網絡（RBF）、學習向量量化器（learning vector quantization）和模糊自適應共振（fuzzyadaptive resonance），用來研究商業銀行信用評價的準確性。龐素琳（2005）建立了10種信用分類模型及其相應算法：①. 5種神經網絡信用評價模型：多層感知器（MLP）、BP算法網絡、徑向基函數網絡（RBF）、概率神經網絡（PNN）和自組織競爭網絡（SOCN）；②. Logistic回歸模型；③. 兩種線性判別分析模型：一種是利用SPSS統計軟件對數據樣本進行判別分析（稱為LDA－SPSS方法），一種是利用原始數據推導建立線性判別分析模型，然后根據模型計算得到的結果對數據樣本進行判別分析（稱為LDA方法）；④. 采用了2種支持向量基方法：一種是利用多項式函數作為核函數，一種是利用徑向基函數作為核函數，用來研究我國上市公司信用評價的準確性。都定元（2009）給出的汶川地震中大規模災害應急救援計劃為實例，給出大數據處理應急分揀算法的應用。Anjum（2011）在GIS技術的基礎上模擬了石油儲罐爆炸場景，通過場景分析和數學建模的方法城市風險規避方法。龐素琳（2015）巨災風險大數據處理的應急分類、分解和分揀算法，給出了相應的算法原理和實現步驟。