[发明专利]一种基于PCA-BP-GA的案件质效评估方法及系统

权利要求书

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，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：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，k＝1···m；

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；

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1满足精度ε为止，得到训练后的初始BP神经网络模型；

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。

5.根据权利要求4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：