26782

ارائه راهكارهاي نوين مبتني شبكه عصبي بهينه شده با روش هارموني براي تشخيص تقلب در كارتهاي اعتباري

كارشناسي ارشد

مديريت فناوري اطلاعات

98

1401/04/08

دكتر رحيم خاني زاد

مهندسي پيشرفت

شناسايي تقلب و پولشويي در سيستم بانكداري بخصوص بانكداري الكترونيك به علت اثرات مخرب بر اقتصاد يك كشور از اهميت بسزايي برخوردار است و از اين جهت توسط بانك‌ها وموسسات مالي روش‌هاي مختلفي براي شناسايي تقلب بانكي بكار گرفته مي‌شود. اخيرا از رويكردهاي مبتني بر هوش مصنوعي جهت تشخيص تخلفات بانكي استفاده هاي زيادي شده است لذا در تحقيق حاضر روشي مبتني بر شبكه عصبي مصنوعي و الگوريتم جستجوي هارموني براي تشخيص تقلب در تراكنش‌هاي بانكي به كار برده شد. داده‌هاي مورد بررسي شامل 1000 تراكنش (508 تراكنش سالم و 492 تراكنش مشكوك) بود. هر داده با 30 ويژگي تعريف شده است. از مدل درخت تصميم، شبكه عصبي مصنوعي و تحليل مولفه‌هاي (PCA) جهت تشخيص نوع تراكنش استفاده شد. در ابتدا مدل‌هاي مذكور با كل مجموعه ديتاست آموزش داده شد. سپس با استفاده از روش PCA، ويژگيهاي بهينه انتخاب شدند و مجددا مدلهاي درخت تصميم و شبكه عصبي مصنوعي جهت تشخيص نوع تراكنش آموزش داده شدند. در نهايت مدل شبكه عصبي مصنوعي توسط الگوريتم جستجوي هارموني بهينه شد. نتايج تشخيص تراكنشهاي مشكوك توسط كل مجموعه ويژگيها نشان داد كه دقت كلي درخت تصميم در طبقه بندي نوع تراكنش برابر با 80/93% و دقت نهايي شبكه عصبي مصنوعي با توابع trainscg، trainbr و trainlm به ترتيب برابر با 3/94 %، 2/99% و 6/96 % بود. همچنين دقت نهايي مدل PCA-ANN-trainbr و PCA-DT در طبقه بندي نوع تراكنش با داده هاي منتخب توسط PCA 3/99 % و 2/94 % به دست آمد. در نهايت دقت كلي مدل HSA-ANN در طبقه بندي نوع تراكنش 50/99 % به دست آمد كه حساسيت اين روش در تشخيص تراكنش سالم و مشكوك به ترتيب برابر با 100% و 99 % بود. در مجموع تحقيق پيشنهادي داراي دقتي بيشتر از ساير تحقيقات مشابه بود به طوري كه سبب بهبود نتايج دقت طبقه بندي نوع تراكنش بين 5/0 % تا 11 % شد.

1401/04/18

New neural network-based method optimized by Harmony Search forCredit Card Fraud Detection

6/29/2023 12:00:00 AM

Identifying fraud and money laundering in the banking system, especially electronic banking, is very important due to the destructive effects on the economy of a country, and for this reason, banks and financial institutions use different methods to identify bank fraud. Recently, approaches based on artificial intelligence have been used a lot to detect bank violations, so in this research, a method based on artificial neural network and harmony search algorithm was used to detect fraud in bank transactions. The analyzed data included 1000 transactions (508 healthy transactions and 492 suspicious transactions). Each data is defined by 30 attributes. The decision tree model, artificial neural network and component analysis (PCA) were used to identify the type of transaction. At first, the mentioned models were trained with the entire dataset. Then, using the PCA method, the optimal features were selected and the decision tree and artificial neural network models were trained again to recognize the type of transaction. Finally, the artificial neural network model was optimized by the harmony search algorithm. The results of detecting suspicious transactions by the entire set of features showed that the overall accuracy of the decision tree in the transaction type classification is equal to 93.80% and the final accuracy of the artificial neural network with trainscg, trainbr and trainlm functions is equal to 94.3%, 2.2 It was 99% and 96.6%. Also, the final accuracy of PCA-ANN-trainbr and PCA-DT models in the classification of transaction type with selected data by PCA was 99.3% and 94.2%. Finally, the overall accuracy of the HSA-ANN model in the transaction type classification was 99.50%, and the sensitivity of this method in detecting healthy and suspicious transactions was 100% and 99%, respectively. In general, the proposed research was more accurate than other similar researches, so that it improved the results of transaction type classification accuracy between 0.5% and 11%.

تراكنش بانكي، تقلب، الگوريتم جستجوي هارموني، شبكه عصبي مصنوعي

Bank transaction , Fraud , Harmony search algorithm , Artificial neural network

ahmadreza.abdollahi

dr.rahim.khanizad