面向监狱服刑人员的聚类与分类算法研究

计算机工程与科学

面向监狱服刑人员的聚类与分类算法研究

郭曼1，张世春2，程利2，徐鹏3，王建元4，冷彪4

（1.科学技术部火炬高技术产业开发中心,北京 100045；2.重庆市监狱管理局信息科技处,重庆 404100；

3.山东省警官培训学院,山东济南 250014；4.北京航空航天大学计算机学院,北京 100191）

收稿日期:2016-03-02 修回日期:2016-08-31 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
国家科技支撑项目（2014BAK06B04）

Clustering and classification algorithms for prisoners

GUO Man1,ZHANG Shichun2,CHENG Li2,XU Peng3,WANG Jianyuan4,LENG Biao4

（1.Torch High Technology Industry Development Center,Ministry of Science and Technology,Beijing 100045;

2.Information Science and Technology Department,Chongqing Prison Administration,Chongqing 404100;

3.Shandong Police Training Institute,Jinan 250014;

4.School of Computer Science and Engineering,Beihang University,Beijing 100191,China）

Received:2016-03-02 Revised:2016-08-31 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

分别提出了面向服刑人员的聚类和分类算法，针对服刑人员的表现特征在服刑期内连续变化和多样性的特点，分别采用隐马尔可夫模型为聚类模型和LDA主题模型为分类模型，对应急指挥综合管理平台中所收集到的多种服刑人员的业务管理信息进行综合聚类分类处理。实验表明，隐马尔可夫模型可以体现出各服刑人员在整个服刑阶段表现的时序变化，从而进行准确的聚类判断；LDA主题模型可以考虑到服刑人员的多种属性，从而对其进行准确的类别判断。

关键词: 服刑人员, 聚类, 分类

Abstract:

We propose a clustering algorithm and a classification algorithm for prisoners. Considering that prisoners feature continuous changing and diversity, we use the hidden Markov model as the clustering model and the latent Dirichlet allocation (LDA) topic model as the classification model, and perform clustering and classification on the management information of various prisoners collected by the emergency command management platform. Experiments show that the hidden Markov model can reflect the temporal changes of each prisoner's performance in the entire sentence, so accurate clustering results can be obtained. The LDA topic model can accurately determine the class of the prisoners according to a variety of their attributes.

Key words: prisoners, clustering, classification

郭曼1，张世春2，程利2，徐鹏3，王建元4，冷彪4. 面向监狱服刑人员的聚类与分类算法研究[J]. 计算机工程与科学.

GUO Man1,ZHANG Shichun2,CHENG Li2,XU Peng3,WANG Jianyuan4,LENG Biao4. Clustering and classification algorithms for prisoners[J]. Computer Engineering & Science.

[1]	柴燕涛，董德尊，张鹤颖，朱成阳，廖湘科. 基于SDN架构的高性能网络拥塞避免策略[J]. J4, 20160101, 38(01): 1-10.
[2]	纪磊, 李希, 徐大宏, 刘宏, 郭建平. 一种类别感知的半监督知识蒸馏长尾分类模型[J]. 计算机工程与科学, 2025, 47(7): 1285-1294.
[3]	敬容1, 万福成1, 2, 黄锐1, 于洪志1, 2, 马宁1, 2. 融合降噪微调与图注意力机制的藏文长文本分类[J]. 计算机工程与科学, 2025, 47(6): 1133-1140.
[4]	王煜恒, 刘强, 伍晓洁. RCGNN：图注入攻击下的图神经网络鲁棒性认证方法[J]. 计算机工程与科学, 2025, 47(3): 434-447.
[5]	谢斌, 李燕伟, 杨舒敏, 徐燕, 王冠超. 结合图像分解和自稀疏模糊聚类的情感颜色迁移[J]. 计算机工程与科学, 2025, 47(3): 513-523.
[6]	卢建云, 邵俊明. 基于多层次密度中心图的聚类算法[J]. 计算机工程与科学, 2025, 47(2): 327-335.
[7]	蔡发鹏, 冯骥, 杨德刚, 陈仲尚. 基于自然邻域图划分的层次聚类算法[J]. 计算机工程与科学, 2025, 47(2): 370-380.
[8]	李猛, 刘姿邑, 宋宇航. 基于双重自表达与最大熵原理的深度子空间聚类算法[J]. 计算机工程与科学, 2024, 46(9): 1685-1692.
[9]	刘强, 李沐春, 伍晓洁, 王煜恒. S-JSMA：一种低扰动冗余的快速JSMA对抗样本生成方法[J]. 计算机工程与科学, 2024, 46(8): 1395-1402.
[10]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(7): 1218-1228.
[11]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(6): 1013-1021.
[12]	肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林, . Corrective-Net：面向多标签文本分类的标签关联学习模块[J]. 计算机工程与科学, 2024, 46(6): 1092-1100.
[13]	佟缘, 姚念民. 基于对span的预判断和多轮分类的实体关系抽取[J]. 计算机工程与科学, 2024, 46(5): 916-928.
[14]	刘盼, 郭延明, 雷军, 王昊冉, 老松杨, 李国辉. 结合上下文的细粒度实体分类特征表示方法[J]. 计算机工程与科学, 2024, 46(5): 929-936.
[15]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(4): 684-692.