بهبود شبکه عصبی پرسپترون چندلایه با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری در شناسایی تقلب در کارت‌های اعتباری

امروزه استفاده از کارت‌های اعتباری، از مشخصه‌های بازر نفوذ فناوری اطلاعات در امور مالی و بانکی است. هر چقدر استفاده از سیستم‌های کامپیوتری در بحث مالی افزایش یابد، امنیت اطلاعات و احراز هویت کاربران اهمیت بسیاری پیدا خواهد کرد. به دلیل بالارفتن علم نفوذ به شبکه‌های کامپیوتری و جعل گسترده کارت‌های اعتباری و بانکی، تولید سیستم‌های خودکار که بتوانند جلوی این‌گونه تقلب‌های مالی را بگیرند، امری حیاتی و مهم تلقی می‌شود. در این تحقیق تمرکز بر روی استفاده از روش عصبی- تکاملی است. برای این منظور پس از جمع‌آوری داده‌ها در مرحله پیش‌پردازش پس از پاک‌سازی و نرمال‌سازی داده‌ها، عمل انتخاب ویژگی با استفاده از الگوریتم تحلیل تفکیکی فیشر انجام می‌شود، سپس در مرحله پس‌پردازش شبکه عصبی پرسپترون چندلایه با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری بهبود می‌یابد تا شناسایی تقلب در کارت‌های اعتباری به صورت بهینه انجام شود. در جهت مقایسه روش پیشنهادی، از الگوریتم‌های دیگر در حوزه طبقه‌بندی مانند طبقه‌بند بیزین نیز استفاده شده است. نتایج حاکی از میانگین مربعات خطای 0.076 و دقت 98.1 درصد در شبکه عصبی پرسپترون چندلایه دارد.