买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学

摘要：本发明提出一种心理隐变量异常挖掘方法，属于数据挖掘技术领域。包括如下步骤：步骤S1：收集人员量表数据；步骤S2：构建心理隐变量自编码模型，自编码模型由编码器和解码器组成；输入量表经编码器压缩之后得到心理隐变量，心理隐变量经解码器恢复得到输出量表；步骤S3：通过收集的人员量表数据，对自编码模型进行训练；步骤S4：构建心理隐变量异常模型，使用分类器对量表数据进行训练得到心理隐变量异常模型。本发明通过自编码模型对人员量表题目进行特征压缩，压缩后的特征可以表示为人员的心理隐变量状态，利用心理隐变量异常模型能够实现异常识别；本发明还能通过检测心理隐变量状态变化情况进行心理状态异常监测。

主权项：1.一种心理隐变量异常挖掘方法，其特征在于，包括如下步骤：步骤S1：收集人员量表数据记为XN，其中N为收集到的量表数量，Xi为收集的第i个量表数据，作为心理隐变量异常挖掘的输入量表；其中，M为量表题目数量，量表题目集合为T；为第i个量表的第一个量表题目的选项；同时，获取XN中子集XN′的有无心理异常的标签数据，记为ZN′；步骤S2：构建心理隐变量自编码模型，自编码模型由编码器和解码器组成；输入量表经编码器压缩之后得到心理隐变量，心理隐变量经解码器恢复得到输出量表；步骤S3：通过收集的人员量表数据XN，对心理隐变量自编码模型进行训练；步骤S4：构建心理隐变量异常模型，使用分类器对量表数据进行训练得到心理隐变量异常模型；步骤S5：对待测人员心理隐变量异常挖掘时，先收集待测人员的量表数据，将量表数据输入训练好的心理隐变量自编码模型中得到心理隐变量，将心理隐变量输入训练好的心理隐变量异常模型输出心理异常概率；编码器与解码器分别由四个线性器及三个线性整流函数组成；编码器与解码器交替通过线性器与线性整流函数，即线性器-线性整流函数-线性器-线性整流函数-线性器-线性整流函数-线性器；输入量表Xi经编码器进行特征压缩之后得到心理隐变量，心理隐变量状态表示为Yi，编码器的特征压缩通过如下公式实现：Yi＝FXi＝H7 H6＝max0，H5 H4＝max0，H3 H2＝max0，H1 其中，H7、H5、H3、H1为数据经过不同线性器后的输出，H6、H4、H2为数据经过线性整流函数后的输出；表示一个32*K的矩阵参数，K为用户设置的隐变量维度数，B4表示第4个偏移向量参数，表示一个64*32的矩阵参数，B3表示第3个偏移向量参数，表示一个128*64的矩阵参数，B2表示第2个偏移向量参数，表示一个M*128的矩阵参数，B1表示第1个偏移向量参数；B4、B3、B2、B1需要通过训练学习；心理隐变量经解码器解码之后得到输出量表，输出量表表示为Xi′，通过如下公式实现：Xi′＝F′Yi＝H14 H13＝max0，H12 H11＝max0，H10 H9＝max0，H8 其中，H14、H12、H10、H8为数据经过不同线性器后的输出，H13、H11、H9为数据经过线性整流函数后的输出；表示一个128*M的矩阵参数，B8表示第8个偏移向量参数，表示一个64*128的矩阵参数，B7表示第7个偏移向量参数，表示一个32*64的矩阵参数，B6表示第6个偏移向量参数，表示一个K*32的矩阵参数，B5表示第5个偏移向量参数；B8、B7、B6、B5需要通过训练学习；对自编码模型进行训练的损失函数为：loss＝||Xi-Xi′||2+||Yi-0.5||2其中，||·||2表示模2范数。

全文数据：

权利要求：

百度查询： 电子科技大学 一种心理隐变量异常挖掘方法