隨著大數(shù)據(jù)技術(shù)的發(fā)展,數(shù)據(jù)量不斷擴大,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)會帶來嚴重的影響,不僅會影響人們的生活、工作,而且會影響社會甚至國家的安全。故檢測出異常數(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)需要我們學習它們的特征并進行有效的預測�，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數(shù)據(jù)量增大時,處理所需的時間復雜度會呈倍數(shù)增長;算法層面的方法包括機器學習的方法、深度學習的方法和集成學習方法等。隨著深度學習的發(fā)展,神經(jīng)網(wǎng)絡(luò)技術(shù)也逐步發(fā)展,在異常檢測或者欺詐檢測中,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,從而有著識別率高、穩(wěn)定性好的特點。另外考慮到異常數(shù)據(jù)標簽數(shù)據(jù)少以及人工標注的成本較高的特點,引入半監(jiān)督學習的概念,半監(jiān)督學習通過將無標簽數(shù)據(jù)加入到有標簽數(shù)據(jù)的訓練中,從而提高分類器學習的性能。本文在此基礎(chǔ)上對異常檢測做出如下研究:（1）調(diào)研了異常檢測技術(shù)國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢,對前人的研究成果進行了歸納和總結(jié),對現(xiàn)有主要的異常檢測算法的理論和方法... 

【文章來源】：南京財經(jīng)大學江蘇省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

半監(jiān)督學習過程

圖 3.1 RBM 模型制玻爾茲曼機為多個 RBM 順序連接組成的，由一個可視層和自下而上分別訓練 RBM 的參數(shù)，當訓練完第一個 RBM 后，為下一個 RBM 的可見層，該 RBM 的輸出作為下一個 RBM直至達到最后一個 RBM，將最后一個 RBM 的輸出作為多個輸出。同時 RBM 又能夠通過自身來重建數(shù)據(jù)，可見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，該輸入乘以對應節(jié)點連接線可見層的偏置值，得到新的輸出項，這個輸出項則為對原始輸，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，迭代進行，直至達到誤差最小值。在多層限制玻爾一個新的隱藏層，該層連接的權(quán)重會通過迭代反復調(diào)整，直至層的輸入，這種方法也被稱作非監(jiān)督貪婪逐層預訓練方法。傳遞時，輸入通過 RBM 可以得到輸出的概率，這個概率也稱

DBN網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻】：
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)極速學習機集成學習[J]. 邢勝,王熙照,王曉蘭.  南京大學學報(自然科學). 2016(01)
[3]基于遺傳算法改進的少數(shù)類樣本合成過采樣技術(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.  計算機應用. 2015(01)
[4]一種新的不平衡數(shù)據(jù)學習算法PCBoost[J]. 李雄飛,李軍,董元方,屈成偉.  計算機學報. 2012(02)
[5]非平衡類數(shù)據(jù)分類概述[J]. 錢洪波,賀廣南.  計算機工程與科學. 2010(05)
[6]處理非平衡數(shù)據(jù)的粒度SVM學習算法[J]. 郭虎升,亓慧,王文劍.  計算機工程. 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,吳群,廖備水,高濟.  電子學報. 2009(11)



本文編號：2978597