隨著大數(shù)據(jù)技術(shù)的發(fā)展,數(shù)據(jù)量不斷擴(kuò)大,源源不斷的數(shù)據(jù)中很可能包括異常數(shù)據(jù)、欺詐數(shù)據(jù)等,這些數(shù)據(jù)會(huì)帶來(lái)嚴(yán)重的影響,不僅會(huì)影響人們的生活、工作,而且會(huì)影響社會(huì)甚至國(guó)家的安全。故檢測(cè)出異常數(shù)據(jù)、欺詐數(shù)據(jù)已經(jīng)成為迫在眉睫的工作。這些數(shù)據(jù)都屬于非平衡數(shù)據(jù),非平衡數(shù)據(jù)是數(shù)據(jù)集中不同類別的數(shù)據(jù)數(shù)目相差很多,這些異常數(shù)據(jù)需要我們學(xué)習(xí)它們的特征并進(jìn)行有效的預(yù)測(cè)�，F(xiàn)有的非平衡數(shù)據(jù)處理方法有數(shù)據(jù)層面和算法層面的方法,數(shù)據(jù)層面的方法的弊端是當(dāng)數(shù)據(jù)量增大時(shí),處理所需的時(shí)間復(fù)雜度會(huì)呈倍數(shù)增長(zhǎng);算法層面的方法包括機(jī)器學(xué)習(xí)的方法、深度學(xué)習(xí)的方法和集成學(xué)習(xí)方法等。隨著深度學(xué)習(xí)的發(fā)展,神經(jīng)網(wǎng)絡(luò)技術(shù)也逐步發(fā)展,在異常檢測(cè)或者欺詐檢測(cè)中,神經(jīng)網(wǎng)絡(luò)技術(shù)因其可以模擬人腦功能的基本特征,從而有著識(shí)別率高、穩(wěn)定性好的特點(diǎn)。另外考慮到異常數(shù)據(jù)標(biāo)簽數(shù)據(jù)少以及人工標(biāo)注的成本較高的特點(diǎn),引入半監(jiān)督學(xué)習(xí)的概念,半監(jiān)督學(xué)習(xí)通過(guò)將無(wú)標(biāo)簽數(shù)據(jù)加入到有標(biāo)簽數(shù)據(jù)的訓(xùn)練中,從而提高分類器學(xué)習(xí)的性能。本文在此基礎(chǔ)上對(duì)異常檢測(cè)做出如下研究:（1）調(diào)研了異常檢測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì),對(duì)前人的研究成果進(jìn)行了歸納和總結(jié),對(duì)現(xiàn)有主要的異常檢測(cè)算法的理論和方法... 

【文章來(lái)源】：南京財(cái)經(jīng)大學(xué)江蘇省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

半監(jiān)督學(xué)習(xí)過(guò)程

圖 3.1 RBM 模型制玻爾茲曼機(jī)為多個(gè) RBM 順序連接組成的，由一個(gè)可視層和自下而上分別訓(xùn)練 RBM 的參數(shù)，當(dāng)訓(xùn)練完第一個(gè) RBM 后，為下一個(gè) RBM 的可見(jiàn)層，該 RBM 的輸出作為下一個(gè) RBM直至達(dá)到最后一個(gè) RBM，將最后一個(gè) RBM 的輸出作為多個(gè)輸出。同時(shí) RBM 又能夠通過(guò)自身來(lái)重建數(shù)據(jù)，可見(jiàn)層與第一多次正向和反向傳播，正向傳播則為上面涉及的內(nèi)容，反向傳后的輸出作為反向傳播的輸入，該輸入乘以對(duì)應(yīng)節(jié)點(diǎn)連接線可見(jiàn)層的偏置值，得到新的輸出項(xiàng)，這個(gè)輸出項(xiàng)則為對(duì)原始輸，與原始輸入數(shù)據(jù)之間的差異叫作重建誤差，該重建誤差沿反向傳播，迭代進(jìn)行，直至達(dá)到誤差最小值。在多層限制玻爾一個(gè)新的隱藏層，該層連接的權(quán)重會(huì)通過(guò)迭代反復(fù)調(diào)整，直至層的輸入，這種方法也被稱作非監(jiān)督貪婪逐層預(yù)訓(xùn)練方法。傳遞時(shí)，輸入通過(guò) RBM 可以得到輸出的概率，這個(gè)概率也稱

DBN網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于邊界混合采樣的非均衡數(shù)據(jù)處理算法[J]. 馮宏偉,姚博,高原,王惠亞,馮筠.  控制與決策. 2017(10)
[2]基于多類重采樣的非平衡數(shù)據(jù)極速學(xué)習(xí)機(jī)集成學(xué)習(xí)[J]. 邢勝,王熙照,王曉蘭.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(01)
[3]基于遺傳算法改進(jìn)的少數(shù)類樣本合成過(guò)采樣技術(shù)的非平衡數(shù)據(jù)集分類算法[J]. 霍玉丹,谷瓊,蔡之華,袁磊.  計(jì)算機(jī)應(yīng)用. 2015(01)
[4]一種新的不平衡數(shù)據(jù)學(xué)習(xí)算法PCBoost[J]. 李雄飛,李軍,董元方,屈成偉.  計(jì)算機(jī)學(xué)報(bào). 2012(02)
[5]非平衡類數(shù)據(jù)分類概述[J]. 錢洪波,賀廣南.  計(jì)算機(jī)工程與科學(xué). 2010(05)
[6]處理非平衡數(shù)據(jù)的粒度SVM學(xué)習(xí)算法[J]. 郭虎升,亓慧,王文劍.  計(jì)算機(jī)工程. 2010(02)
[7]一種基于核SMOTE的非平衡數(shù)據(jù)集分類方法[J]. 曾志強(qiáng),吳群,廖備水,高濟(jì).  電子學(xué)報(bào). 2009(11)



本文編號(hào)：2978597