| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-19页 |
| ·研究背景和意义 | 第11-12页 |
| ·欺诈检测的发展现状 | 第12-16页 |
| ·国外研究现状 | 第12-14页 |
| ·国内研究现状 | 第14-15页 |
| ·单值分类方法的提出 | 第15-16页 |
| ·主要研究内容 | 第16-18页 |
| ·论文的组织结构 | 第18-19页 |
| 第二章 信用卡欺诈检测相关技术 | 第19-32页 |
| ·信用卡定义 | 第19页 |
| ·信用卡风险管理概述 | 第19-23页 |
| ·信用卡欺诈风险的概念和特点 | 第20页 |
| ·信用卡欺诈风险来源 | 第20-21页 |
| ·信用卡欺诈风险的分类 | 第21-22页 |
| ·信用卡的欺诈风险识别 | 第22-23页 |
| ·数据挖掘方法概述 | 第23-27页 |
| ·数据挖掘的定义 | 第24页 |
| ·数据挖掘的功能 | 第24-26页 |
| ·数据挖掘过程 | 第26-27页 |
| ·数据挖掘的发展前景 | 第27页 |
| ·支持向量数据描述方法简介 | 第27-31页 |
| ·小结 | 第31-32页 |
| 第三章 k-means聚类与SVDD结合的新的分类算法 | 第32-45页 |
| ·已有改进的SVDD方法(D-SVDD) | 第32-35页 |
| ·局部疏密度的计算 | 第32-33页 |
| ·D-SVDD算法 | 第33-34页 |
| ·Iris数据集上两种算法分类精度比较 | 第34-35页 |
| ·KmSVDD算法 | 第35-41页 |
| ·聚类算法简介 | 第35-38页 |
| ·KmSVDD算法 | 第38-41页 |
| ·KmD-SVDD算法 | 第41页 |
| ·KmD-SVDD算法描述 | 第41页 |
| ·算法复杂度分析 | 第41页 |
| ·实验分析 | 第41-43页 |
| ·聚类个数k的选择方法 | 第41-43页 |
| ·相关算法分类精度的比较 | 第43页 |
| ·小结 | 第43-45页 |
| 第四章 KmD-SVDD算法的参数选择 | 第45-60页 |
| ·支持向量数据描述模型选择的意义及方法 | 第45-47页 |
| ·模型选择的意义 | 第45页 |
| ·已有模型选择方法及优缺点 | 第45-47页 |
| ·实验分析两个参数对分类性能的影响 | 第47-51页 |
| ·误差惩罚参数C对分类性能的影响 | 第47-48页 |
| ·核参数σ对分类性能的影响 | 第48-51页 |
| ·基于蚁群算法的SVDD模型选择 | 第51-59页 |
| ·蚁群算法概述 | 第51-55页 |
| ·基于蚁群算法的KmD-SVDD参数选择方法 | 第55-58页 |
| ·实验结果分析 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第五章 基于单值分类的信用卡欺诈检测模型研究 | 第60-75页 |
| ·信用卡欺诈风险检测模型 | 第60-61页 |
| ·数据预处理 | 第61-68页 |
| ·数据预处理概述 | 第61-64页 |
| ·信用卡交易数据预处理 | 第64-68页 |
| ·欺诈检测模型的建立 | 第68-70页 |
| ·模型建立模块 | 第68-69页 |
| ·欺诈交易检测模块 | 第69-70页 |
| ·实验结果对比及评价 | 第70-74页 |
| ·检测性能的评估指标 | 第70页 |
| ·实验结果对比与评价 | 第70-74页 |
| ·小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| ·工作总结 | 第75-76页 |
| ·进一步工作 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间发表的学术论文 | 第83页 |