| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景及来源 | 第9-12页 |
| ·洗钱 | 第9-10页 |
| ·反洗钱系统 | 第10-11页 |
| ·客户风险评估 | 第11-12页 |
| ·相关研究概况 | 第12-14页 |
| ·智能反洗钱领域研究概况 | 第12-13页 |
| ·智能分类算法在其他金融领域的应用 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 智能分类算法简介 | 第15-28页 |
| ·智能分类算法概述 | 第15-16页 |
| ·逻辑回归(Logistic Regression) | 第16-17页 |
| ·逻辑回归概念 | 第16-17页 |
| ·逻辑回归的训练 | 第17页 |
| ·神经网络 | 第17-23页 |
| ·神经网络基本概念 | 第17-18页 |
| ·神经网络的训练方法 | 第18-21页 |
| ·神经网络的贝叶斯正则化 | 第21-23页 |
| ·支持向量机(SVM) | 第23-28页 |
| ·支持向量机的基本特点 | 第23-24页 |
| ·最优超平面分类 | 第24-26页 |
| ·支持向量机的核函数空间变换 | 第26-28页 |
| 第3章 用于洗钱风险评估的客户信息处理 | 第28-43页 |
| ·客户信息预处理的必要性 | 第28页 |
| ·数据来源 | 第28-38页 |
| ·银行数据原型 | 第28-30页 |
| ·实验数据生成 | 第30-31页 |
| ·客户信息数据的专家分类形成 | 第31-38页 |
| ·数据预处理过程 | 第38-43页 |
| ·非数值属性的量化 | 第38-40页 |
| ·归一化处理和标准化处理 | 第40页 |
| ·主元分析处理 | 第40-43页 |
| 第4章 应用智能算法进行客户风险分类 | 第43-60页 |
| ·逻辑回归应用 | 第43-46页 |
| ·逻辑回归分类模型的生成 | 第43-45页 |
| ·逻辑回归分类结果 | 第45-46页 |
| ·神经网络应用 | 第46-51页 |
| ·神经网络分类模型的生成 | 第46-47页 |
| ·神经网络分类结果 | 第47-51页 |
| ·支持向量机应用 | 第51-57页 |
| ·支持向量机分类模型的生成 | 第51-55页 |
| ·支持向量机分类结果 | 第55-57页 |
| ·算法结果讨论 | 第57-58页 |
| ·洗钱风险评估模型 | 第58-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间主要的研究成果 | 第65-66页 |
| 致谢 | 第66页 |