基于可疑金融交易识别的离群模式挖掘研究

摘要	第1-6页
Abstract	第6-11页
第1章 绪论	第11-23页
·研究背景与意义	第11-15页
·洗钱的含意及其严重性	第12-13页
·反洗钱可疑数据报告制度及其存在的问题	第13-14页
·本课题研究的意义与价值	第14-15页
·本文的研究目标	第15-17页
·行为模式识别	第15-17页
·研究的问题描述	第17页
·国内外研究现状	第17-20页
·国外反洗钱数据分析研究现状	第17-18页
·国内反洗钱技术研究现状	第18-19页
·当前研究中存在的问题	第19-20页
·论文研究方法及创新	第20-21页
·本文的研究方法与理论框架	第20-21页
·本文的创新点	第21页
·论文组织结构	第21-23页
第2章 数据挖掘与离群检测方法	第23-39页
·离群模式的定义	第23-25页
·本文离群点检测研究的行业特点	第25-26页
·数据挖掘研究	第26-28页
·离群数据挖掘研究进展	第28-37页
·离群数据挖掘的重要意义	第28-29页
·离群的定义及检测算法	第29-37页
·离群挖掘算法的评价	第37页
·小结	第37-39页
第3章 金融交易时间序列的混沌属性分析	第39-54页
·时间序列与金融交易行为分析	第39-41页
·混沌理论基础	第41-44页
·确定性与随机性	第42页
·蝴蝶效应与最大Lyapunov指数	第42-44页
·奇异吸引子与维数	第44页
·混沌属性判定	第44-52页
·相空间重构	第45-49页
·关联维及其计算	第49-50页
·最大Lyapunov指数的计算方法	第50-52页
·金融交易时间序列混沌属性的实际验证	第52-53页
·小结	第53-54页
第4章 基于混沌的金融交易行为产生机制识别	第54-70页
·混沌建模	第54-55页
·RBF神经网络	第55-58页
·RBF神经网络的结构	第55-56页
·RBF网络的函数逼近理论	第56-57页
·RBF网络的训练方法	第57-58页
·可疑金融交易的检测方法	第58-60页
·混沌背景信号检测原理	第58-59页
·基于RBF神经网络的可疑金融交易检测算法	第59-60页
·数值实验	第60-69页
·小结	第69-70页
第5章 金融数据的特征提取与相似性度量	第70-84页
·现有时间序列的相似性度量方法	第70-75页
·直接距离法	第71页
·基于傅立叶变换的方法	第71-72页
·ARMA模型参数法	第72-73页
·基于规范变换的方法	第73-74页
·时间弯曲模型法	第74-75页
·界标模型法	第75页
·金融数据的特征提取	第75-81页
·时域功率特征提取	第76-79页
·基于距离准则的特征选择	第79-80页
·客户背景特征描述	第80-81页
·异构数据集的距离度量	第81-83页
·小结	第83-84页
第6章 基于一类支持向量机的离群模式判别	第84-102页
·机器学习问题	第84-87页
·问题的表示	第85-86页
·经验风险最小化	第86页
·复杂性与推广能力	第86-87页
·统计学习理论	第87-90页
·VC维	第87-88页
·推广性的界	第88-89页
·结构风险最小化	第89-90页
·支持向量机	第90-96页
·支持向量机	第90-93页
·一类支持向量机	第93-95页
·基于HVDM距离的RBF形核函数	第95-96页
·基于支持向量机的离群交易判别	第96-101页
·仿真数据离群检测	第96-98页
·金融数据离群检测验证	第98-101页
·小结	第101-102页
第7章 总结与展望	第102-105页
·本文工作总结	第102-104页
·未来工作展望	第104-105页
参考文献	第105-113页
致谢	第113-114页
攻读博士学位期间参与的科研项目及发表论文	第114-115页