基于深度学习和集成学习的银行卡交易反欺诈技术研究
| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外反欺诈研究现状 | 第13-15页 |
| 1.2.2 国内反欺诈研究现状 | 第15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文结构 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 反欺诈系统研究 | 第18-24页 |
| 2.1 银行卡欺诈简介 | 第18-19页 |
| 2.1.1 欺诈类型 | 第18-19页 |
| 2.1.2 欺诈形势及特征 | 第19页 |
| 2.2 反欺诈系统工作流程 | 第19-21页 |
| 2.2.1 数据采集 | 第20页 |
| 2.2.2 模型识别 | 第20-21页 |
| 2.2.3 人工确认 | 第21页 |
| 2.3 反欺诈模型 | 第21-23页 |
| 2.3.1 基于规则的反欺诈模型 | 第21-22页 |
| 2.3.2 基于神经网络的反欺诈模型 | 第22页 |
| 2.3.3 两种模型的比较 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 相关理论基础 | 第24-36页 |
| 3.1 深度学习 | 第24-30页 |
| 3.1.1 人工神经网络基础 | 第24-26页 |
| 3.1.2 自编码器 | 第26页 |
| 3.1.3 卷积神经网络 | 第26-27页 |
| 3.1.4 深度信念网络 | 第27-30页 |
| 3.2 集成学习 | 第30-35页 |
| 3.2.1 集成学习理论基础 | 第30-32页 |
| 3.2.2 集成学习经典算法 | 第32-33页 |
| 3.2.3 常用分类器介绍 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于DBN集成分类器的反欺诈实验建模 | 第36-50页 |
| 4.1 反欺诈系统原型设计 | 第36-38页 |
| 4.2 数据预处理 | 第38-42页 |
| 4.2.1 数据清理 | 第38-40页 |
| 4.2.2 数据离散化 | 第40-41页 |
| 4.2.3 过采样 | 第41-42页 |
| 4.3 SVM基分类器构建 | 第42-45页 |
| 4.3.1 数据准备 | 第42-44页 |
| 4.3.2 参数设置 | 第44-45页 |
| 4.4 DBN基分类器构建 | 第45-48页 |
| 4.4.1 数据准备 | 第45-46页 |
| 4.4.2 参数设置 | 第46-48页 |
| 4.5 模型集成 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 实验验证及结果分析 | 第50-55页 |
| 5.1 DBN模型参数对实验结果的影响 | 第50-51页 |
| 5.1.1 隐藏层数量 | 第50页 |
| 5.1.2 激活函数 | 第50-51页 |
| 5.1.3 训练批尺寸及训练次数 | 第51页 |
| 5.2 实验结果分析 | 第51-54页 |
| 5.2.1 模拟真实欺诈环境的模型预测结果 | 第52-53页 |
| 5.2.2 样本均衡下的模型预测结果 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 攻读硕士学位期间的学术成果 | 第59-60页 |
| 致谢 | 第60页 |
