神经网络在和谐警民关系评价体系中的应用

王艳红

（中国人民武装警察部队学院，河北 廊坊 065000）

和谐警民关系是指在警民关系的互动中达到一种相宜相生、和衷共济、合作双赢的动态平衡状态，即：达到警察以维护社会稳定为天职，民众以促进国家发展为己任的境界[1]。它是当今中国最基本的社会关系之一，警民关系的好坏直接反映党群关系的现状，直接关系构建和谐社会的全局和进程。目前，基层公安机关构建评价和谐警民关系的做法层出不穷、方法多种多样，但怎么评估和谐程度，众说纷纭、莫衷一是。本文以和谐警民关系评价模型和系统的建立为基础，验证了基于人工神经网络在和谐警民关系评价体系中可行性和优越性，提出警民关系和谐度的智能评估标准，以利于基层公安机关实际操作。

一、神经网络的警民关系评价模型

（一）原理

人工神经网络是信息科学与技术研究领域中一门令人瞩目的新兴学科，它的理论是近年来得到迅速发展的一个国际前沿研究领域。人工神经网络借鉴了神经科学的基本成果，它是基于模仿人类大脑的结构和功能而构成的一种信息处理系统，具有广泛的应用前景。人工神经网络的基本特征为非线性映射、学习分类和实时优化，因此它为模式识别、非线性分类等研究开辟了新的途径。[2]

它的主要特点是，各层神经元仅与相邻层神经元之间有连接，各层内神经元之间无任何连接，各层神经元之间无反馈连接，其输入与输出关系是一个高度非线性映射关系，如果输入结点数为n，输出结点数为m，则人工神经网络是从n维欧氏空间到m维欧氏空间的映射。因此，我们将用于警民和谐评价的各指标属性值进行归一化处理后作为人工神经网络模型的输入向量，将评价结果作为人工神经网络模型的输出，用足够多的样本训练这个网络，使其获取评价专家的经验、知识、主观判断及其对指标重要性的倾向，这样人工神经网络模型所具有的那组权系数值便是网络经过自适应学习所得到的正确知识内部表示，训练好的人工神经网络模型根据待评价警民和谐各指标的属性值，就可得到对警民和谐的评价结果，再现专家的经验、知识、主观判断及其对指标重要性的倾向，实现定性与定量的有效结合，保证评价的客观性和一致性。[3]

（二）数学模型

人工神经网络由输入层节点、隐层节点、输出层节点以及前向相互的连接构成，输入和输出层节点数目由实际问题确定，隐层的层数及节点数取决于问题的复杂性及分析精度。图1是一个单隐层BP神经网络。

图1 BP神经网络模型结构[4]

人工神经网络首先根据当前的内部表达对样本输入模式做前向运算，然后比较网络的实际输出与期望输出之间的误差，误差小于规定值则训练结束，否则，利用人工神经网络算法逐步调整权值和阀值，直到误差达到要求为止。训练成熟的神经网络即可应用于警民关系评价。

（三）和谐警民关系评价指标体系的确立

和谐警民关系评价就是通过分析影响警民关系的因素及各因素的影响程度而得出正确的等级。因而从构建和谐警民关系总体角度出发，可以确立以下指标体系，如表1所示。

表1 警民和谐评价指标体系

（四）相关参数的设计[8]

1.输入层节点设计

神经网络输入的确定实际上就是特征量的提取，对此，主要考虑它是否与警民关系评价有比较确定的因果关系。根据表1的内容可以确定输入层有18个神经元。在输入设计网络之前首先进行归一化处理。

2.输出层节点设计

和谐警民关系评价是根据安全感、满意度以及其他因素的综合评价，结果只有一个。一般说来，我们可用一个在一定范围内 （如0-1）连续变化数来表示，故输出层神经元个数可以确定为1。

3.隐含层节点设计

隐含层神经元数目没有严格的规定，一个公认的指导原则是在没有其他经验知识时，能与给定样本符合的规模最小的网络是最好的选择。为减小网络规模，提高学习速度，选取1个隐含层。在进行网络训练时，选取了不同条件下的10个样本作为训练样本，根据最佳隐含层节数估算公式

其中，NY、NX、N0分别代表隐含层、输入层、输出层的节点数，NP表示习样本数，可求得隐含层的最佳神经元个数为9个。

4.传递函数的选择

人工神经网络神经元转换函数一般选用sigmoid 函数f（x）=1/（1+e-x）。 网络的输入向量范围为[0，1]，隐含层神经元的传递函数采用S型正切函数tan sig，输出层神经元传递函数采用S型对数函数log sig[9]。

二、警民关系评价体系验证

（一）样本数据获取

样本数据的质量直接关系到模型建立的科学程度，由于目前警民关系评价存在很强的主观性，且受心理因素的影响在评价侧重点上有所不同。为使原始数据更加准确、科学，确保网络训练与模型的质量，这里抽取了10个县级公安机关作为测试对象，由10名专家组成的团队对各基层单位的警民关系各级指标都做出客观评价（给出X1——X18分值），并由专家依据整体效果，确定警民关系的总体评价情况，即得出相应的评价目标数据，与X1——X18分值弱相关。为使数据符合训练过程的函数运算要求，对所有原始数据进行归一化处理，使其落在 [0，1]区间。专家综合评价的待测样本数据如表2所示。

表2 专家总体评价的待测样本数据

（二）模型建立与输出验证

利用矩阵实验[9]构建警民关系评价模型，在给定精度要求MSE≤0.001的条件下，网络对选取的10个学习样本进行500次训练，当网络达到给定的精度要求，学习过程结束。10个样本的网络输出与专家评价之间的误差关系如表3[10]和图2所示。[11]

表3 网络输出与专家评价关系表

图2 网络输出与专家评价关系图

为检验网络的推理能力，随后选取3个未曾学习过的样本让网络进行评价，评价样本及评价结果如表4和表5所示，表明吻合程度较高。

表4 专家总体评价的待测样本数据

表5 测试样本的专家评价和网络输出误差关系表

由此可见，神经网络虽然未曾学习过这3个样本，但网络训练后输出的结果与专家评价结果误差仍相对较小。表明网络对原始数据进行的很好的学习，已经具有“专家思维”，网络已具有较强的推理能力，从某种程度上可以按照专家的方式进行评价。

以此模型应用于实际，开发出基于该模型的智能和谐警民关系评价系统。应用效果也同样表明，该系统智能评价程度高，评价结果吻合，具有可行性和较好的应用前景。

结语

应用神经网络技术，采用科学的、切合实际的评价指标体系，以专家的测评数据为依据，通过建立评价模型对警民关系进行综合评价，这是一种有效的方法。它较高的自组织、自适应和自学习的能力，能弱化指标权重确定中人为因素的影响，从而实现了警民关系评价系统的智能化，比较科学、准确地评价了警民关系和谐程度。本文的研究结果表明，未来人工神经网络方法用于警民关系分析评估应该是完全有效和合理的。

[1]吴永生．警民和谐受限客观原因分析[J].中国人民公安大学学报，2011，（01）:90-94．

[2]王鸿彬．新型神经网络的发展及其应用[J].忻州师范学院学报，2007,（02）:75-78．

[3]韩力群．人工神经网络理论、设计及应用[M]．北京：化学工业出版社，2002:43-56．

[4]邵俊倩．基于神经网络的综合方法的研究[J]．价值工程，2012,（01）:167-168．

[5]刘卓云．论和谐警民关系的核心要素[J]．公安研究，2008,（4）:62-64．

[6]方葆廉．浅谈新形势下和谐警民关系的构建[J]．公安研究，2009,（08）：72-79．

[7]蒋和平．以促进警民和谐为目标正确定位警民关系[J]．公安研究，2009,（07）：72-75．

[8]韩力群．人工神经网络教程[M]．北京：北京邮电大学出版社，2006：70-72．

[9]张 智星．Matlab 程 序设 计与 应用[M]．北京 ：清华大学出版社，2002：123-126．

[10]Michael B Abbott.Constructing Harmonious Police and the Evaluation System[J].The Community Research，2008，(2):189-198．

[11]朱慧博等．Matlab语言的编程和可视化仿真[J]．大庆师范学院学报，2008,（05）：45-48．