欺诈滥用金融系统被称为系统的改进一个人或一个组织的盈利能力。在竞争环境中,欺诈的发生会导致业务中的一个关键问题。这个问题近年来已经成为非常严重的( 1]。最近,欺诈已大幅增加导致每年数十亿美元损失的金融机构和银行。另一方面,科技的进步在各个领域引起了一代的大量的数据。的数据量是积极和相互关系(直接相关的并发症 2]。关于这个问题,探索性数据分析与数据挖掘作为援助的其他科学探索隐藏的和未知的信息下的大部分数据是焦点。访问隐藏的信息包含在大数据更困难也更复杂。的科学数据挖掘与机器学习等其他方法,数据库和人工智能已经扩散到检测这些数据之间的模式( 3, 4]。

自业务活动的出现,一些人为了增加自己的利润和损失,而其他的公司和产品。在过去,没有相当大的金融交易所发生;然而,渐渐地,人口的增加和更紧密的交流放大金融交流,同时欺诈也增加了( 5]。然而,今天,鉴于新技术,成本相关的欺诈有大幅下降,但欺诈也进展的方法。最近,电信的问题,电子商务,提供新的服务导致欺诈的发生在不同尺寸的新方法。随着互联网的使用,新类型的欺诈行为出现,但由于安全系统,以防止欺诈的崛起,没有重大进展由于缺乏适当的模式( 6]。

骗子技术欺诈等系统中利用的弱点主要是发生在一个新系统介绍,和开发人员都不知道这些弱点。欺诈通常发生在有客户账户未经授权的访问。订阅欺诈发生在用户订阅系统没有任何打算使用它。在这种情况下,别人可能使用他们的未使用的订阅 7]。然而,发生欺诈是社会工程的使用。在这种情况下,骗子用他们的技能来获取详细信息系统并使用它而不是试图发现金融体系的弱点( 8]。

在研究[ 9),提出了一种双层结构。在第一层,每个客户的一般规则和具体规则。事务的程度的疑心可以表示在这一层。在第二层,博弈论技术用于检测欺诈行为。在另一个研究[ 10),神经网络是用于检测欺诈行为。神经网络建模,使用非线性判别分析。此外,为了减少体积的计算,一个评分系统用于交易。结果显示,评分系统提供了更好的结果和更高的性能与所有事务进行评估的方法。然而,在另一个研究[ 11),研究人员得出结论,当财务比率作为数据,利用神经网络具有总理性能比其他方法。在这个研究中,54个公司的数据集,每20个属性。

在一项研究 12),提出了银行封口机。银行封口机是网上银行欺诈的决策支持系统的分析和调查。在第一步,系统量化交易的异常根据客户历史数据。在第二步中,它发现集群中包含用户提供类似的行为,最后获得的帮助信息,异常或正常交易证明。

有方法基于遗传算法(GA)等 9),结合遗传算法和支持向量机(SVM)算法来检测异常数据。在该方法中,遗传算法已被用于选择最好的属性子集系统中显示异常。然后,数据被应用到支持向量机进行训练。然而,有方法基于数据挖掘技术如( 13),这对欺诈检测使用一个分布式的方法。在这项研究中,一个大型数据集的标签数据等算法C4.5 ID3,开膛手,车已经被使用。

在目前的研究,一个混合系统基于人工神经网络(ANN)技术和和声搜索算法(HAA)是用于检测欺诈行为。优化参数的系统使用HSA的安,而安本身是用于欺诈检测。

提出了系统流程图,如图所示 1。这个数字说明了如何集成到HSA安。显然,计算比例的解决方案,要求建立一个相应的安。最后,构建和训练后安神经网络对应的每个解决方案,安的性能记录的比例HSA的解决方案。在这项研究中提出的方法称为NNHS。

在目前使用的神经网络研究中,反向传播是用于学习,输入和输出之间的网络学习模式。通过这种方式,针对每种情况的训练数据,所需的输出是预先录制的。

这个系统仍在继续,只要网络输出和数据输出的区别是尽可能低。在这个网络中,权重是随机选择的,然后根据网络的输出之间存在差异和输出记录的数据集,权重将调整在每个阶段。表示,用于确定安的参数。神经网络的结构使用和谐内存中可以看到图 2。

HSA的任务是找到最合适的神经网络结构。开始时的执行算法,参数如和谐大小的内存,和谐的考虑内存的速度,调整音高,要设置和其他值。下一步是创建第一代随机算法。这一步(每次迭代之后)后,生成新的和声,并通过建筑,因此相应的神经网络计算和精度决定。下一步是更新内存,如果新的和谐的比例低于最严重的比例记录在系统中,新的取代了坏的事,因此和谐内存将被更新。最后,算法停止在执行指定数量的迭代之后,这是该算法的终止条件,最好的和声记录提取是最合适的解决方案。

首先,NNHS相比其他类型的方法。Hayashi等人评估精度的标准。他们使用的衍生法则提取算法来检测欺诈行为。在表 2相比,NNHS Hayashi的方法等。 15]。

在另一项研究由哈桑et al .,递归价值评估。该方法的结果与NNHS相比也在桌子上 3( 16]。

考虑其他方法,NNHS的主要优点之一是提高安使用HSA的参数。然而,根据该网络的结构,该方法与不平衡问题对数据信息,和发现隐藏的模式在这种类型的数据暴露很多问题。

在目前的研究中,提出了一种称为NNHS欺诈监测模型通过安和HSA的集成。提议的系统提供了一个解决方案基于成功预测了最佳结构安和检测质量的数据隐藏算法。比较的结果表明,从德国获得最好的准确性提出系统的数据集是86。此外,最好的价值获得相同召回的标准是87。然而,中获得的值( 15]和[ 16分别是81.53和76.8。因此,评价的结果表明,有一个相对较高的性能,NNHS已经能够检测不诚实的客户,准确率较高。