[21]。1.2分類模型1.1.1數據挖掘的定義早在20世紀80年代，數據挖掘便起源于KDD(KnowledgeDiscoveryinDatabase)。數據挖掘的內容概況分為多種，數據挖掘的多重含義需要不斷更改挖掘，比如“是從大批海量數據中有目的性的選擇一定量的有用的數據進行建立模型使之成為一種有效的挖掘過程”、“從批量數據中提取出有潛在價值的重點信息選擇等”[17]。在現實生活中大眾所接受的定義是:可以從大規(guī)模數據中進行篩選，挖掘其中的隱藏含義知識行為[18]。這個定義具有以下幾個含義:1)較大規(guī)模的數據、真實性數據且含有一定的噪聲;2)提取出的新知識是可以為人們所服務的;3)提取出的新知識能夠被人們理解和支持的;4)提取出的新知識適用的范圍很廣泛。1.1.2數據挖掘過程不難看出其數據挖掘的具體概念，我們將數據進行具體的挖掘內容更改，以及實時的效率。數據挖掘的整個過程中存在多種數據領域的含義包含多個領域，大致可以概括為三個環(huán)節(jié):數據前期的整改環(huán)節(jié)、數據在其挖掘探索過程環(huán)節(jié)、結果的選擇解釋和選擇更改評分的過程[19]。其中數據準備階段還可以分為:數據整理刪除、數據整改集合、數據有計劃的選擇、數據的更改變化等。如下圖數據挖掘過程：定義問題定義問題準備數據數據挖掘表示與評價圖STYLEREF1\s2SEQ圖\*ARABIC\s11數據挖掘過程圖(1)數據清理對不完整、不清晰、海量且含有噪聲的數據進行去噪處理、推導計算填補缺省處理、修正異常處理、清除重復數據處理。這個環(huán)節(jié)需要根據研究分析所得的數據的更改進行具體的處理方案，決定其最終的數據結果，進行有規(guī)律的選擇。(2)數據集不同類型的數據，有機鋪墊的工作方式。操作這部分需要把握好外部因素的不同數據的物理格式。(3)數據選擇根據目標的需要，我們吧對自己有用的數據從海量的數據集中找出來，并將其作為目標的操作對象。(4)數據變換所謂數據轉換就是將將數據從一種格式變?yōu)榱硗庖环N操作需要的格式，可以獲得降維后的數據，有利于找出真正有效的特征或變量。(5)數據挖掘根據數據的研究概況和其研究發(fā)展的過程中對某種領域的理解數據概況，以及對其研究技術的數據變化，進行相互融合和貫穿，從而使得當前的數據挖掘方法己經層出不窮。這些方法能發(fā)現異常數據，并用不同的方法解釋從而提取出隱含在數據中的某些規(guī)律「21]。通過知識挖掘出類的技術，與統(tǒng)計分析類技術截然不同，其經常應用的方法有很多，在此就不一一列舉了。實施數據挖掘時，一方面需要考慮數據固有的特征，另一方面需要考慮自己想要實現的目標，綜合考慮，權衡利弊，選擇合適的算法，最后獲取隱含于數據中的模式。常用的算法很多，如:數據重返的分析算法改正、分類別具以及分類聚類算法、數據決策樹的構建模型等。(6)模式評估選擇對某種數據的更改以及對其的評估概況的挖掘數據類型，進而在其中找出真正的需求模式。(7)知識表示重新加以表示或描述所提取出的知識，使其能達到被人們輕易理解的程度。綜上我們發(fā)現，整個數據挖掘過程是一個循環(huán)往復過程，只要其中一個環(huán)節(jié)出現問題均需要返回到上一步再次調整，再繼續(xù)執(zhí)行。1.1.3數據挖掘方法數據挖掘的主要發(fā)展趨勢來源于基礎的各種學科知識的相互結合，相互包含，以最終的數據結果得出結論，并最終得出挖掘方式。為了讓用戶得出所需要的結論，滿足自身的需求其概況發(fā)展趨勢，以及挖掘方法，對挖掘技術進行了必然方式，截止目前數據挖掘技術可分為如下四大類:(1)針對不同的數據庫根據不同的數據模型進行分析概況可分為具體的分類模型可分為關系型、對象關系型。數據類型的不同又可分為時間類別模型、空間類別模型、數據概況分析類別、流動數據的發(fā)展類別、文本敘述的類別、異常型態(tài)過程類別、多媒體的數據挖掘模式類別[22]。(2)針對不同的知識類型挖掘知識可劃分為不同類型的相關性分析，進化分析，表征，分類，聚類，預測和異常值分析，復雜的數據挖掘將含有至少兩個或更多的功能。另一方面，根據不同程度的抽象或知識也可以挖掘數據分類的大小，可分為高抽象層，原始數據層等多個抽象層。最好的數據挖掘模式能夠實現對數據的更加深層次的知識識別抽象化。數據挖掘，也可根據基本的類別或者異常的類別進行分類概況進行具體分析。一般而言，我們可以應用諸如相關性分析、關聯分析、聚類、分類等手段來提取出數據中的規(guī)則，同時還可以清除噪聲[22]。(3)針對不同的技術手段按照人們通常使用的數據分析方法可將其劃分為遺傳算法、人工神經網絡、聚類等。通常成熟全面的數據挖掘系統(tǒng)會結合兩種以上的挖掘技術，實現結合各個方法的優(yōu)勢[23]。(4)針對不同的應用場景在眾多企業(yè)類別中其金融行業(yè)、交通行業(yè)、通信網絡行業(yè)、生物醫(yī)學行業(yè)。適用于不同行業(yè)的運營模式的具體數據的挖掘類別。所以想要得到一個通用的即適用于各種不同應用場景的數據挖掘方法在目前來說還是一項具有挑戰(zhàn)的任務。1.1.4支付領域的數據挖掘應用關聯分析，其存在的目的是為了通過對數據的隱藏含義的挖掘形式進行互相的貫穿，形成具有關聯的形式狀態(tài)。關聯分析就是給數據整合后進行重新編輯進行分類，通過對數據紀律的分析，推導出之間存在的數據分析關系類別。序列模式分析，其與相關的數據類別進行劃分，目的在于對其挖掘數據的概況分析與其之間的聯系，但是序列模式的概況更加具有新的數據類別更加符合其具體的需求進行具體的前因后果的數據類別關系。分類分析，假定給與一定的數據記錄與其進行整合形成獨樹一幟的類別分類，在其具體分析中得出不同的數據結論，首先給與一定的數據記錄，即按照類別分類記錄，然后去檢查這些分好類別的記錄并描述這些記錄的特征。該描述可以顯示的也可以是隱式的，如規(guī)則的定義就是顯示的，而數學模型或者公式就對應的是隱式的。(4)聚類分析，同分類分析相異，在聚類分析時給定的是一組未分類的記錄。目的是根據一定量的數據分析進行新的合理劃分記錄，于此同時用顯性或者隱形的數據進行描述進行類別分析。這些規(guī)則由聚類分析工具去定義。聚類分類分析能夠根據不同的數據算法進行整改，引導其整改數據與原來數據的不同分析得出的結論進行重新的劃分結果。1.3網絡銀行異常交易檢測技術銀行的異常交易可以分為兩大類:一類是重復交易或者交易異常中斷、交易金額不足、授權未通過等系統(tǒng)流程異常交易;另一類是不滿足交易的合法性，比如通過非法手段盜用用戶信息進行的交易，或者釣魚等網絡詐騙交易等。兩種類型的異?？赡軙旌显谝黄穑疚闹饕攸c研究的是第二種非法的網絡銀行欺詐交易，即欺詐交易的異常交易檢測技術。1.3.1網絡銀行異常交易檢測技術與方法1.異常交易檢測模型機器學習技術的出現，出現了大量基于時間序列比對，遺傳算法是通過對機器的數據規(guī)避風險的一種具體的數據管控技術，己經用于檢測各種異常的銀行等金融機構欺詐性交易[22]相比于傳統(tǒng)的基于規(guī)則引擎的專家系統(tǒng)以及人工校驗的檢測方式，機器學習下的金融異常交易檢測技術無需大量的欺詐樣本，也無需的反復更新專家系統(tǒng)的引擎規(guī)則，即可達到快速及時發(fā)現欺詐交易樣本的目的，并且檢測效率也更加可靠，成本大幅降低[25]。英國學者相對而言更加注重于針對經濟層面的風險分析及控制處理。英國學者Bannister與Bokat將風險管理定義為是一個識別、測定及控制可能威脅組織活動、收益的風險的過程。Dixon認為風險管理是對那些可能威脅企業(yè)生產與收益能力的風險因素進行確認、評價及經濟管控的過程[26]。除此之外，還有相關教材定義風險管理為“針對企業(yè)資源進行計劃管理和組織控制以減少不確定因素發(fā)生而帶來的影響”。隨著風險管理理論的不斷發(fā)展，相關理論基礎也日益豐富和完善，在此基礎上，本文采用了以下定義:所謂風險管理，是指通過對風險的認識、估計、衡量與控制，利用盡可能低的成本將風險所導致的損失降至最低的一種科學管理方法[27]。根據的反欺詐使用的檢測模型的不同，可分類為如下幾大類型:（1）基于規(guī)則引擎的反欺詐技術規(guī)則引擎中最具代表性的是早期的專家系統(tǒng)，當前比較流行的規(guī)則引擎反欺詐技術系統(tǒng)有黑名單系統(tǒng)以及社會統(tǒng)一征信系統(tǒng)等[28]。規(guī)則引擎通過吸取業(yè)務專家經驗以及過去發(fā)生的欺詐案例來創(chuàng)建規(guī)則引擎庫，規(guī)則引擎優(yōu)點有實現相對簡單以及檢測效率高等優(yōu)點，無需復雜的算法實現以及大量的計算，對于出現在規(guī)則庫中的欺詐場景或案例識別率為百分之百;部署簡單，無需要做大量的數據分析以及邏輯運算，只需對業(yè)務數據做簡單的基于規(guī)則過濾。但也同時存在一些明顯的缺點，對于新型的欺詐類型如果未能及時更新規(guī)則庫，有可能出現漏檢和風險管理漏洞。所以對于基于規(guī)則引擎的反欺詐系統(tǒng)，需要輔助人工檢測手段，及時發(fā)現新型欺詐類型并更新相應的規(guī)則引擎最為關鍵[29]。（2）基于機器學習的反欺詐技術基礎于人工智能的反差數據進行理論化的分析，反欺詐技術基礎于數據引擎的方式，廣泛應用于金融電信等行業(yè)。早期數據分析技術主要用于在提取定量和統(tǒng)計數據特征。雖然傳統(tǒng)的數據分析技術可以間接地引導學習知識，并做出一些常規(guī)的推理判斷，但畢竟目標性不強。機器學習和人工智能解決方案可以分為有樣本標簽的監(jiān)督機器學習和無樣本標簽的機器學習[30]。1.異常交易檢測特征提取機器學習的目的性概況進行分析預判，在監(jiān)督學習的預測需要首先對數據進行有規(guī)律有選擇性的訓練。通常不會拿原始數據來訓練，雖然原始信息包含了樣本最豐富的信息，但沒有經過任何處理的裸數據能最完整表達樣本。但是用原始數據來直接訓練在訓練集上會得到很好的性能，但在測試集上的性能卻變得非常差，也就是過擬合的問題;用原始數據進行直接訓練還有一個問題就是原始維度太高模型計算量大耗時長。為了解決對數據的規(guī)模性探索研究錯產生的問題，需要對采集的數據進行新一輪的數據采集并提取其中重要的表達數據方式，并對其進行有效的預判，進行選擇性的措施進行處理。常用的特征提取方法有如下幾種:(1)主成分分析，通過對轉換所得的數據進行相關聯的數據分析，改變其中的規(guī)律以一種新的形態(tài)進行更改;(2)判別分析，根據特定的屬性進行個性化的分析進行變量的更改部分數據(3)等距特征映射，使用用曲線距離作為空間中點與點之間的距離的變量分析方法。(4)拉普拉斯特征映射，從局部進行對全部的數據類別分析，將局部的規(guī)律相互整合形成變量的數據分析成果。1.3.2基于機器學習的異常交易檢測技術深度學習解決方案可以分為有樣本標簽的監(jiān)督學習[31]和無樣本標簽的學習。在監(jiān)督學習中，所有記錄的隨機子樣本被采用并手動分類為欺詐性或非欺詐性?？赡苄枰獙ζ墼p等相對罕見的事件進行過度抽樣，以獲得足夠大的樣本量[26]。然后，這些手動分類的記錄用于訓練有監(jiān)督的學習算法。在使用此訓練數據構建模型之后，該算法應該能夠將新記錄分類為欺詐性或非欺詐性。監(jiān)督神經網絡、模糊神經網絡以及神經網絡已經被逐漸應用于大規(guī)模的數據范圍之內。檢測移動電話網絡中的欺詐和財務報表欺詐[32][33]。貝葉斯學習神經網絡應用于面對欺詐行為當中，并對其進行嚴格檢測，防止欺詐行為的出現[34]?；诨旌现R/統(tǒng)計的系統(tǒng)，其中專家知識與統(tǒng)計功能集成，使用一系列數據挖掘技術來檢測細胞克隆欺詐。具體而言，實施了一個規(guī)則學習計劃，用于從大型客戶交易數據庫中發(fā)現欺詐行為的指標[35]?？ㄏ柕热?2000)基于欺詐性呼叫的數據設計欺詐簽名，以檢測電信欺詐。為了對欺詐呼叫進行評分，將其在帳戶簽名下的概率與其在欺詐簽名下的概率進行比較。鏈接分析包含不同的方法。它使用記錄鏈接和社交網絡方法將己知的欺詐者與其他個人聯系起來[36][37]。這種類型的檢測僅能夠檢測類似于先前己經發(fā)生并且被人為分類的欺詐。應該提到一些關于欺詐檢測的無監(jiān)督學習的重要研究。例如，Bolton[38]和Hand[39]使用同行組分析和斷點分析應用于信用卡賬戶的支出行為。對等組分析檢測單個對象，這些對象開始以與先前相似的對象不同的方式運行。Bolton和Hand為行為欺詐檢測開發(fā)的另一個工具是斷點分析。與對等組分析不同，斷點分析在帳戶級別運行。斷點是觀察特定賬戶的異常行為的觀察。以上兩種表達形式的概述都適用于信用卡賬戶的消費行為。此外，Murad[41]和Pinkas[42]專注于為欺詐檢測而進行的行為改變，并提出了三級分析。三級分析方法在帳戶級別運行，并指出作為潛在欺詐的帳戶的正常行為的任何顯著偏差。為此，基于沒有欺詐記錄的數據(半監(jiān)督)創(chuàng)建“正?！迸渲梦募Ｔ谕活I域，Burge[43]和Shawe-Taylor[44]也使用行為分析來進行欺詐檢測。然而，使用循環(huán)神經網絡來進行呼叫行為的原型設計，應用了無監(jiān)督學習。Cox等人[45]瑪寄人類模式識別技能與自動數據算法相結合。在他們的工作中，信息通過特定領域的界面直觀呈現，將人類模式識別技能與自動數據算法相結合(Jans等人)。1.4人工神經網絡技術1.4.1人工神經網絡模型神經網絡發(fā)展中，己經開發(fā)出多種網絡模型，如BP神經模型、RBF網絡模型、自組織映射神經網絡等。(1）誤差反向傳播神經網絡模型((BP網絡)BP神經網絡((ErrorBackPropagation)是一種采用誤差反向推到的一種工程，對其進行第二次的研究探索，從輸入層到隱含層的數據網絡進行檢測，并根據反向的方式進行更替。每一層多存在一定的數據構成元素并對其進行互相連接融洽，使之可以達到無縫銜接的狀態(tài)。輸入信號的先后變化順序向其傳播信息，經過不斷的函數調查進行新的數據計算，進行信息輸出以最終得出數據結果。研究發(fā)現，網絡的精確符合層數與之點數呈現正相關的發(fā)展狀態(tài)。增加層數的高度粘合度進行模擬符合精確度，使之更加復雜可以增加訓練時間的高度融合。依據Kolmogorov[46]理論，在一定的條件下，對于任意給定的ε>o，存在于網絡神經結構的模型，用模型來代替精確的的高度磨合，進行連續(xù)的函數來進行計算，并進行一定的數據分類，來解決線性規(guī)律的處理方式來增加線性速度，使之成為最普遍的夢磨合度。三層BP神經網絡的網絡結構如圖1.2所示:圖STYLEREF1\s2SEQ圖\*ARABIC\s12BP神經網絡結構圖在該網絡結構數據表述中，隱含層輸出向量為OK=f(netk)，輸入向量為X=(x1,x2,...xn）TY=(y1,y2,...yn）T，輸出層向量是k=1,1...l，期望輸出向量是D=(d1,d2,...dn）T輸入層次到隱藏含義當中的數據權益程度以便用V表示，V=(v11,v12,...vmn）T其中Vmn表示隱藏含義的數據元素當中第h個數據神經元素來進行各類的表達對應第m個輸入層神經元的權衡量;隱含層到輸出層之間的權值矩陣用W表示，W=(w11,w12,...wln）T。對于輸出層，有Ok=F(netk)(k=1,2,...l)。(k=1,2,...l)。對于隱含層，有yj=F(netk)(k=1,2,...m)；(j=1,2,...m)。而隱含層和輸出層的轉移函數.f(x)是連續(xù)性的數據合計，以及單個的數據的不同表述兩者兼得Sigmoid函數:BP神經網絡的算法學習步驟如下:1從總體數據樣本中進行有選擇的篩選，挑取某種元素進行編輯;2樣本數據信息在其隱藏含義中各有不同進行對應的數據處理方式;3計算網絡過程中產生的數據值，以減少輸出與期望值之間的誤差;4從輸出層開始反向的抽取某個隱藏類別，減少誤差所在的權益程度;5重復以上步驟，直到數據誤差之間的最小值之間的數據變化;通過以上步驟的反復訓練之后，網絡節(jié)點之中進行數據的再次確定數值的變化程度，得到準確的數據因素進行訓練整合，用未知樣本數據進行預測判斷。(2)徑向基函數神經網絡模型(RBF)徑向基函數(RBF,RadicalBasisFunction)神經網絡是在根據局部調節(jié)的方案與其交錯疊加的方式基礎上進行采取一定的措施來進行執(zhí)行函數的數值計算創(chuàng)新。它是一種三層前饋型神經網絡，其拓補結構如圖1.4所示。運算過程相當于在多維度的訓練當中選擇最佳的數據結構進行模擬的最佳平面，形成一個基礎函數，且基函數采用高斯核函數;而輸出層節(jié)點通常有線性函數組成。圖STYLEREF1\s2SEQ圖\*ARABIC\s13徑向基函數神經網絡拓補結構圖徑向基函數神經網絡學習過程如下:1初始化，根據所有所得樣本的數據進行概況從而確定其隱藏含義的基礎信息列表即確定中心值和標準化常數的初值;2采取聚類分析的算法求取高斯核函數的參數;3根據所得樣本數據進行對照輸入，利用最小二乘法進行數據的刨析。即完成了對網絡學習的完成進度的發(fā)展趨勢，利用其他樣本進行概況研究數據分析進行新的運算處理。(3)自組織特征映射神經網絡模型[47](SOM)自組織特征反映出對網絡神經數據的鏡像反射，進行內在的數據刨析，自組織、自適應地對網絡神經曾進行改進。其最重要的使根據數據值進行與外界的進一步聯系，互相吸收數據形成相互的對比，信息不同特征表現出來的敏感程度，來對信息進行有效的聚類劃分。其拓補結構如圖1.5所示：圖STYLEREF1\s2SEQ圖\*ARABIC\s14自組織特征映射神經網絡拓補結構圖其中，輸入層用來接收外界提供的數據，而輸出層則是對于數據進行分析比較，在其中發(fā)現規(guī)律，觀察節(jié)點變化。自組織特征映射神經網絡也分為學習與工作兩個階段。在訓練現階段的發(fā)展趨勢當中，網絡隨機樣本對于特定樣本來說，依舊存在不同，某一方一定會獲得收益反之則會產生損失，其在過程中依舊存在不確定性。獲勝節(jié)點周圍的節(jié)點對于其他數據來看依舊存在不同的效益結果，因此兩者之間也將互相權衡利弊進行連接權向量均以不同的變化程度向輸入方向進行調整，調整力度依鄰域內各節(jié)點距離獲勝節(jié)點的遠近而逐漸減小。網絡通過自組織方式，用大量訓練樣本調整網絡權值，最后使輸出層各節(jié)點成為對特定模式類敏感的神經元，對應的內星權向量成為各輸入模式的中心向量。并當兩個模式類的特征接近時，代表這兩類的節(jié)點在位置上也接近。從而在輸出層形成能反應樣本模式類分布情況的有序特征圖[48]。自組織特征映射神經網絡學習過程如下:(1）初始化權值并選擇鄰域的大小;(2）輸入訓練樣本信息;(3）尋找獲勝節(jié)點，即通過對數據的計算進行數據連接使之顯示出差距以此來進行改進使誤差平方和最小的點就是獲勝節(jié)點;(4)定義優(yōu)勝鄰域。以獲勝節(jié)點為中心確定在某一時刻的權值調整域，一般初始鄰域較大，但伴隨著不斷地訓練其結果不斷改進。(5)調整優(yōu)勝鄰域內所有節(jié)點的權值;(6)結束判定。當學習效率達到某中高度時，則暫停訓練;否則，轉到步驟(2)繼續(xù)。1.4.2人工神經網絡原理人工神經網絡（ArtificialNeuralNetworks，ANN）系統(tǒng)是20世紀40年代后出現的。它是經過多重數據的結合形成的連接權值，并進行大規(guī)模的數據處理方式，并進行存儲建立起良好組織制度。BP（BackPropagation）算法又稱為減少誤差的存在進行反向刨析，是一種重要的監(jiān)督方式。BP神經網絡算法在理論上可以接近于任意一函數的數值表控方式，在其結構上進行線性的數據分析劃分，具有加強的映射能力，對其進行解析整合。而且網絡的中間層數、各層的處理單元數及網絡的學習系數等參數可以根據當下的發(fā)展趨勢來制定適合的發(fā)展方案，靈活性增強、使之達到優(yōu)質狀態(tài)，并將其適用于各行各業(yè)，前景廣闊未來可期[49]。人工神經是通過對大數據的處理進行連接相互融洽，每個神經元可以看作是神經網絡的基本運算單元[50]，以非線性的數據處理方式來進行數據概況進行有效的處理方式，使之相互作用下改變其神經元的數據類別分析。人工神經元模型如圖1.1所示。圖STYLEREF1\s2SEQ圖\*ARABIC\s15人工神經元模型圖1.2中第J個神經元(節(jié)點)模仿了生物神經元所具有的三個最基本也最重要的功能:加權·求和與轉移。其中x1,x1...xi...xn分別代表來自神經元1,1...i...n的輸入，即權值:bj是閥值，第i個神經元的輸出主要對神經元的輸入輸出進行調節(jié);f(●)是傳遞函數;Yj是第J個神經元的輸出。其中，第J個神經元的凈輸入值為:（1.2）凈輸入值sj通過對函數的數據傳達進行分析f(●)后，便得到第J個神經元的輸出是yj: （1.3）同生物元細胞具有信息承載限度一樣，人工神經元的傳遞的信號亦不能無限增加，必有一最大值，試中f應是單調上升的有界函數。人工神經網絡的運算過程具有學習和工作兩個階段[51]。在學習階段將信息進行反復輸入輸出進行預判達到最終效果。在工作階段對原有數據進行保留，選擇一組新的樣本進行數據調整變成數量改變，獲得新的運算方式進行數據處理，得出結論。同時，人工神經網絡在其學習過程中具有一定的獨立性并能快速適應其中，以便減少誤差從而改變數量的權益值，以適應大環(huán)境的數據分析。通常情況下，神經網絡具有兩種不同的學習訓練方式，一種是有導師的學習算法，主要通過固定的數據樣本進行有規(guī)律有模型的調整，以達到對樣本的雙重數據分類或者效仿;另一種是無導師的學習算法，規(guī)定固定的時間進而學習，對其內容產生不同的理解概述，系統(tǒng)能自動發(fā)現并學習和儲存環(huán)境特征及規(guī)律，可以自動地調整連接權值，以便對輸入樣本分組能聚集，這種學習方法更接近于人腦的功能。1.4.3人工神經網絡特點人工神經網絡是以對人腦神經網絡的基本認識為基礎，綜合運用數學以及信息處理方法對人腦神經網絡進行模擬、簡化和抽象，最終建立的簡化信息處理模型[52]。其系統(tǒng)能夠劇本人腦的適應能力、自習的能力權益、在特定模型當中的識別以及優(yōu)化模型數據，解決在其過程中出現的問題，表現出很好的智能特性。人工神經網絡具有以下特性:（1）具有極強的非線性映射能力。神經網絡的運營具有一定的局限性，其在實質上從輸入層到輸出層的映射效應，在其理論上保留足夠的內藏含義對其進行刨析，具有實現非線性映射的能力，這使得適合于化解內部機制復雜的問題[53]。(2）強大的計算、處理實際問題的能力。它運用分布并行的信息處理方式，對數據的采集采用記憶聯系的方式進行調動數據元素的概況。通過“有導師”的學習方式，對規(guī)則進行有規(guī)律的適應訓練并儲存記憶，當新的無規(guī)則樣本加入時，該模型可以從不完整的信息和噪聲干擾中運用事先儲存的規(guī)則對樣本信息進行聯想記憶，實現完整的原始信息的恢復，具有良好的容錯性和抗干擾能力。特別適合內容龐雜、特征不明顯的復雜模式的識別問題。(3）較強的樣本識別與分類能力。強大的非線性處理能力，使神經網絡能夠很好地處理非線性樣本的數據分類。作為一個非線性優(yōu)化算法，神經網絡具有強大的優(yōu)化計算能力，它可以在己知的約束條件下，尋找一組參數組合，使目標函數快速達到極小值。(4)良好的泛化能力。神經網絡采用全局逼近的學習算法，具有較好的泛化能力。經過訓練后的網絡，運行速度極快，可對相似的問題進行實時處理。參考文獻胡馗.基于數據倉庫技術的企業(yè)信息化管理.淮南市住房公積金管理中心礦業(yè)集團分中心.2016(05).任儀南.基于流程創(chuàng)新的第三方支付增值業(yè)務研究.北京交通學.2016-06-01袁永熙.現代電子商務理論與技術導論[M].長沙:湖南科學技術出版社,2012.馮彬.銀聯型在線支付平臺及其增值服務研究.武漢理工大學.2007-11-01Sherly,K.K.,&Nedunchezhian,R.(2010).BOATadaptivecreditcardfrauddetectionsystem.IEEEInternationalConferenceonComputationalIntelligenceandComputingResearch(pp.l-7).IEEE.瞿志凱、張婷.基于大數據的反恐情報數據倉庫體系結構設計.中國人民武裝警察部隊學院.2016(02)何宇.基于混合結構的在線支付系統(tǒng)事務處理機制研究[J].電子商務，2010,13(3):419-422.WalkerA.FinancingSystemsDevelopment[M].NewYork:Prentice-HallInc.,2014.KoltizF.BusinessResearchMethods[M].London:BergmanPress,2009.陳洪易一種基于多因素回歸分析的營銷預測分析模型及應用[J].商業(yè)現代化，2012,26(S):663-665.WalkerA.FinancingSystemsDevelopment[M].NewYork:Prentice-HallInc.,2014.KramersL.HowtoPerformanefficientConsumerAnalysis[J].ElectronicMarketingCommunications,2013,37(4):552-559.KoltizF.BusinessResearchMethods[M].London:BergmanPress,2009.NortonS.IntroductiontoElectronicCommerceSystem[M].NewYork:PearsonEducatedInc.,2012.AggarwalCC,YuP.OutlierDetectionforHighDimensionalData.Proc.o-fACMSIGMOD.2001,2001.陳俊，王聲.基于數據倉庫的決策支持系統(tǒng)的設計與實現[J].計算機工程與設計，2008,(10):5280-5283.章萍.試析影響?zhàn)B老保險基金安全運行的風險因素及風險化解財會[J].月刊(綜合)，2008,(6):34-36.李睿，徐紅，李進.基于數據倉庫的壽險決策支持系統(tǒng)設計與實現[J].現代電子技術，2006,(19):71-78.HornM.Microeconomics:AManager'sPerspectivewithApplicationsinBusinessAnalysis[M].Amber:MichiganUniversityPress,2009.KopplerS.MarketingManagementwithApplicationstoBusinessDecisionAnalysis[M].NewYork:Addison-WesleyInc.,2007.馬剛、王延章.數據倉庫及其設計規(guī)范化.大連理工大學系統(tǒng)工程研究所、遼寧大連116024.2001(05)KingdonJ.AIFightsMoneyLaundering[J].IntelligentSystemsIEEE,2004,19(3):87-89.D