ارائه راهکاری برای مبارزه با جرایم و ایجاد امنیت ملی با استفاده از الگوریتم خوشه بندی و سیستم نگاشت-کاهش - سایت تخصصی MATLAB

ارائه راهکاری برای مبارزه با جرایم و ایجاد امنیت ملی با استفاده از الگوریتم خوشه بندی و سیستم نگاشت-کاهش

o115_1
مقدمه با افزایش استفاده از سیستم های کامپیوتری برای پیگیری جنایات، تحلیلگران اطلاعات کامپیوتری کمک به مأموران اجرای قانون و کارآگاهان را برای سرعت بخشیدن به روند ح ...ادامه توضیحات
60,000 تومان

  • توضیحات
  • نظرات
  • ارسال نظر

مقدمه

با افزایش استفاده از سیستم های کامپیوتری برای پیگیری جنایات، تحلیلگران اطلاعات کامپیوتری کمک به مأموران اجرای قانون و کارآگاهان را برای سرعت بخشیدن به روند حل جنایات شروع کرده اند. در اینجا ما یک رویکرد میان رشته ای بین علوم کامپیوتر و عدالت کیفری به منظور توسعه یک الگوی داده کاوی که می تواند حل جنایات را سریعتر کند در پیش می گیریم.

معرفی ویژگیها و الگوهای جرم

 به طور خاص، از مدل های مبتنی بر خوشه بندی برای کمک به الگوهای جرم و جنایت استفاده خواهیم کرد. همچنین به بحث و مقایسه برخی از اصطلاحات در بخش عدالت و پلیس جنایی در ارتباط با سیستم های داده کاوی که مورد استفاده قرار می گیرد، می پردازیم.

فرد مظنون به فردی گفته می شود که اعتقاد بر این است که جرمی مرتکب شده است. مظنون ممکن است شناس یا ناشناس باشد. مظنون، تا زمانی که مجرم شناخته نشده، محکوم نیست. قربانی به کسی گفته می شود که هدف جرم و جنایت است. بسیاری از اوقات قربانی قابل شناسایی و در اغلب موارد همان فردی است که گزارش جرم و جنایت را داده است. علاوه بر این، جرم ممکن است شاهدانی نیز داشته باشد. به عبارت دیگر معمولا مواردی به عنوان قتل به کار برده می شود که اشاره به قتل نفس یا کشتن کسی را دارد. در قتل ممکن است مقوله های مانند نوزادان، بزرگسالان، قتل و کشتار مأموران اجرای قانون وجود داشته باشد. در اهداف شبیه سازی ما، نیاز به اعماق عدالت کیفری نخواهیم داشت، و به انواع اصلی جنایات محدود شدیم.

خوشه (از جرم و جنایت) دارای یک معنی خاص و اشاره به یک گروه جغرافیایی از جرم و جنایت دارد، یعنی بسیاری از جنایات در یک منطقه جغرافیایی روی داده است. این خوشه ها می تواند با روش چشمی توسط یک قطعه موقعیت جغرافیائی از جرم و جنایت که بر روی نقشه حوزه پلیس ثبت شده است، نمایش داده شوند. گروه پر جمعیت جرم و جنایت به صورت بصری به قرار دادن هات-اسپات هایی از جرم و جنایت کمک می کند. با این حال، زمانی که ما از خوشه بندی از نظر داده کاوی صحبت می کنیم، به انواع مشابهی از جرم و جنایت در یک منطقه جغرافیایی خاص اشاره می کنیم. خوشه بندی در شناسایی یک الگوی جرم یا قانونی شکنی ها مفید می باشد.

 سیستم های ثبت گزارش جرم

داده ها برای جرم و جنایت اغلب معضل جالبی را دارند. در حالی که برخی از داده ها محرمانه نگه داشته می شوند، برخی دیگر از اطلاعات عمومی می شود. اطلاعات در مورد زندانیان اغلب می تواند در شهر و یا سایت های کلانتری مشاهده شود. در حالی که، اطلاعات در مورد جرائم مربوط به مواد مخدر و یا موارد نوجوانان معمولا محدود می شوند.

 به طور مشابه، اطلاعات در مورد مجرم جنسی را به دیگران هشدار می دهند و به صورت عمومی در منطقه است، اما هویت قربانی اغلب ناشناخته باقی می ماند. بنابراین به عنوان یک داده کاو، تحلیلگر باید با تمام این مسائل عمومی در مقابل داده های خصوصی به طوری که فرایند شبیه سازی داده کاوی بر روی این مرزهای قانونی اثر نگذارد، مقابله کند.

جمع آوری داده ها و ایجاد پایگاه داده جرم: 

 بیشتر دفاتر کلانتری و ادارات پلیس از سیستم الکترونیکی برای گزارش جنایت به منظور جایگزینی روش کاغذی سنتی استفاده می کنند.

ولی به علت محرمانه بودن داده ها و عدم دسترسی مستقیم به آنها، داده های فرضی ایجاد کرده ایم. این داده ها شامل 2000000 رکورد که هر رکورد دارای 47 ویژگی از یک گزارش جرم می باشد. اولین ویژگی مربوط به شناسه اختصاص یافته به هر رکورد است و دومین ویژگی نوع جرم را مشخص می سازد.

پس از آن مشخصات شخص مضنون و قربانی درج شده است و حالت جرم، از جمله مکان جرم با توجه به موقعیت جغرافیایی که جرم در آن واقع شده است و ساعت وقوع و ... و در نهایت اینکه آیا مجرم دستگیر شده است یا خیر.

 تبدیل و یکپارچه سازی داده ها

ما به بررسی چگونگی تبدیل اطلاعات به داده های جرم و جنایت در داده کاوی می پردازیم، که می تواند به کارآگاه در حل سریعتر جنایات کمک کند. قبلا دیده ایم که در اصطلاحات جرم خوشه یک گروه از جنایات در یک منطقه جغرافیایی و یا یک هات-اسپات از جرم و جنایت است. در حالی که، در اصطلاحات داده کاوی یک خوشه گروهی از هات-اسپات ها با یک الگوی جرم است. بنابراین خوشه های مناسب و یا یک زیر مجموعه از خوشه، یک تناظر یک به یک با الگوهای جرم و جنایت دارند.

الگوریتم های خوشه بندی در داده کاوی معادل شناسایی گروهی از مدارک که بین خودشان مشابه اما از بقیه داده ها متفاوت می باشد، است. در این مورد برخی از این خوشه ها برای شناسایی یک ولگردی و قانونی شکنی ارتکاب جرم توسط یک یا همان گروه از افراد مظنون مفید است. با توجه به این اطلاعات، چالش بعدی پیدا کردن متغیرهایی برای ارائه بهترین خوشه است. در نهایت این خوشه ها به کارآگاهان جهت بررسی تخصصی در حوزه شان ارائه خواهد شد.

فهرست نظرات:
هنوز هیچ نظری ارسال نشده است.
امتیاز:

درج نظر شما در مورد این محصول

نام کاربری:
منبع گزارش کد فیلم آموزشی
گزارش دارد ندارد
+
افزودن به سبد