[发明专利]神经网络的建立方法及系统和神经网络的应用方法及系统

权利要求书

1.一种利用神经网络预测风险度的方法，其特征在于，所述方法包括：

获取账户的历史操作事件，所述历史操作事件包括以下中的至少一项：账户的在线支付，登录电子邮件账号；

从所述账户的历史操作事件中，排除盗用操作时的事件，以确保训练出的自组织SOM神经网络能够体现该账户的特性；

将排除盗用后的所述账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；

获取所述第一训练事件的参数；

根据所述参数将所述第一训练事件初始化为第一向量；

利用所述第一向量建立自组织SOM神经网络，所述神经网络包括所述参数和结构；

将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；

当所述第一指标达到阈值时，存储所述神经网络；

将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型；

获取所述在原始模块中处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

根据所述在原始模块中处于灰色区域的事件的第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述第二离散值和所述第一指标未达到阈值时，调整所述参数和所述结构。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一测试事件的第二向量，输入至所述神经网络中之前还包括：

根据所述参数将所述第一测试事件初始化为所述第二向量，所述第二向量由所述第一测试事件中的元素组成。

4.根据权利要求1所述的方法，其特征在于，所述将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型具体包括：

将所述在原始模块中处于灰色区域的事件按照时间顺序分为第二训练事件和第二测试事件；

根据所述参数将所述第二训练事件初始化为所述第三向量，所述第三向量由所述第二训练事件中的元素组成；

将所述第三向量输入至所述神经网络中，计算所述在原始模块中处于灰色区域的事件的第二离散值和衍生变量；

利用第二训练事件的第二离散值、衍生变量和第一离散值，对第二训练事件进行第一模型训练，确定第一模型的参数，得到第一模型；

将所述第二测试事件输入到第一模型中，利用第二测试事件的第二离散值、衍生变量和第一离散值，将第二测试事件分流至高风险区域或低风险区域，并计算第二测试事件的第二指标；

当所述第二指标达到阈值时，存储第一模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述第二指标未达到阈值时，调整所述第一模型的参数。

6.根据权利要求4所述的方法，其特征在于，所述第一指标和第二指标均为柯尔莫哥罗夫-斯米尔诺夫K-S值、接受者操作特性曲线下面积AUROC值和基尼指数。

7.根据权利要求1所述的方法，其特征在于，所述神经网络的参数包括：输入神经元、输出神经元、权值调整域函数和学习率函数。

8.根据权利要求1所述的方法，其特征在于，所述神经网络的结构为二维平面或一维线阵。