[发明专利]基于深度学习的智能预警方法

权利要求书

1.一种基于深度学习的智能预警方法，所述预警方法的特征在于：将关键词识别与异常行为检测应用于该系统中；具体的，在群众反映诉求的过程中，通过关键词识别系统和异常行为检测系统对群众语音和动作行为进行检测，判断其情绪是否过激或有做出危险动作的举动。及时提醒工作人员做好准备，防止意外情况发生，从而提高群众反映诉求效率；本发明由三个基本方法组成，包括融合方法、关键词识别方法、异常行为检测方法。

2.根据权利要求1所述的智能预警方法中三种方法的处理顺序，其特征在于：

关键词识别方法将语音中的关键词进行提取，对比数据源中的关键词，给出危险等级；异常行为检测方法通过对视频图像进行分析处理，通过图卷积神经网络对关键点信息进行异常行为识别，亦给出危险等级。然后融合方法对关键词识别方法和异常行为检测方法输出的结果进行融合处理，对群众反映诉求的过程过程给出最终的危险等级。

3.根据权利要求1所述的智能预警方法的融合方法，其特征在于：

对于融合分类器所得预测结果进行聚合，即对每一个预测结果进行投票，票数最多的为最终的预测结果。

4.根据权利要求1所述的智能预警方法的关键词识别方法，其特征在于：

提取群众语音中的关键词，首先对语音预测量并进行分割，接着提取音频段中的音节参数特征，作为关键词识别模块的输入，输出关键词识别结果。

5.根据权利要求1所述的智能预警方法的异常行为检测方法，其特征在于：

通过摄像头对群众反映诉求过程进行视频图像采集，然后识别和定位出图像中所有乘客的骨骼关键点，对骨架距离进行计算。最后使用图卷积建模实现异常行为检测。

6.根据权利要求3所述的智能预警方法的融合分类器训练过程，其特征在于：

将数据源划分为多个子集，根据数据源特点选择一种机器学习算法作为训练算法，但是在不同的随机子集上进行训练。得到多个分类器，组成融合分类器。

7.根据权利要求4所述的智能预警方法的关键词识别模块训练过程，其特征在于：

提取训练数据源中语音的音节状态转移矩阵，将其作为网络输入训练第一个编码层的网络参数，并将训练好的编码数据作为第一编码层的输出。用同样的方法训练更多层的网络参数，生成全局网络。计算整个网络的误差函数及各个参数的偏导值，更新权值，提高分类器的精准性。

8.根据权利要求5所述的智能预警方法的异常行为检测模块训练过程，其特征在于：

输入数据源中的图形数据，经过多次卷积和池化处理得到特征向量。将特征向量传入全连接层，得出分类识别的结果。如果当前输出的结果与我们的期望值相符，固定权值和阈值；如果当前输出的结果与我们的期望值不相符，则进行反向传播过程。求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新。最终确定权值和阈值，得到一个适宜的网络。

9.根据权利要求7、8所述的数据源，其特征在于：

数据源分为两部分，第一部分是群众反映诉求中出现的关键词，比如脏话或者情绪激动的词汇；第二部分是异常行为数据集，使用国际上流行的USCD异常检测数据库，该数据集主要针对人群中个体行为的识别研究。