کشف تراکنش های مشکوک با استفاده از ترکیب روش های خوشه بندی و الگوریتم های فرایافتاری

توضیحات

در روش پیشنهادی پارامترهای شبکه عصبی نظیر وزن ها و بایس توسط الگوریتم خفاش به صورت بهینه انتخاب می شود تا میزان خطای آن در تشخیص تقلب کاهش یابد. روش پیشنهادی نوعی یادگیری تقویت شده است که در آن الگوریتم خفاش باعث بهبود یادگیری شبکه عصبی می شود(تقلب بانکی، داده کاوی، خوشه بندی، طبقه بندی، شبکه عصبی مصنوعی، الگوریتم خفاش). در روش پیشنهادی از خوشه بندی Kmeans به عنوان حذف داده های پرت از مجموعه داده استفاده شده تا دقت روش پیشنهادی افزایش یابد. پیاده سازی این پژوهش در محیط متلب و بر روی مجموعه داده مرتبط با تقلب بانکی نشان می دهد دقت، حساسیت و شفافیت روش پیشنهادی در تشخیص تقلب بانکی به ترتیب برابر %88.97، %91.46 و %90.32 است. مقایسه روش پیشنهادی این پژوهش با سایر روش ها نشان می دهد روش پیشنهادی دقت بیشتری نسبت به روش های نظیر ماشین بردار پشتیبان و رگرسیون دارد(تقلب بانکی، داده کاوی، خوشه بندی، طبقه بندی، شبکه عصبی مصنوعی، الگوریتم خفاش) تقلب در سیستم بانکی یکی از چالش های توسعه بانکداری و تجارت الکترونیک است. تراکنش های بانکی منبع ارزشمندی برای تشخیص تقلب بانکی می باشند و می توان توسط ویژگی بکار رفته در این تراکنش ها تقلب بانکی را شناسایی نمود. یکی از چالش های اصلی روش های یادگیری ماشین و داده کاوی در تشخیص تقلب بانکی دقت اندک آن ها در شناسایی این تراکنش ها می باشد. ارایه خدمات مالی و بانکداری در بستر اینترنت و استفاده از فناوری های مرتبط، سیستم بانکداری سنتی را متحول ساخته است و بسیاری از بانک ها و موسسات مالی و اعتباری برای خدمات خود از سرویس ها و فناوری های موجود در بستر اینترنت استفاده مینمایند… 

تمامی تحقیقات و پایان نامه های موجود در سایت قابلیت شبیه سازی توسط تیم سیب دانش را دارد از جمله فعالیت های دیگر سیب دانش انجام پایان نامه، انجام شبیه سازی، انجام سمینار دانشجویی، انجام پاورپوینت دفاع، مقاله، دیتاست، ارائه تحقیقات علمی برای اخذ خدمت سربازی و دیگر تحقیقات علمی و غیره می باشد. لطفا از طریق راه های ارتباطی با ما در ارتباط باشید…