2-3-2- دیدگاه مبتنی بر دانش 28

2-3-3- دیدگاه ترکیبی و خلاقانه 30

2-4- فاکتورهای ارزیابی.. 30

2-4-1- پوشش 31

2-4-2- دقت 31

2-4-3- درستی و یادآوری 31

2-4-4- F-SCORE 32

فصل سوم: بر کارهای مرتبط پیشین

3-1- مقدمه. 34

3-2- روش­های نظارتی.. 35

3-3- روش­های غیرنظارتی.. 39

3-4- روش­های مبتنی بر دانش…. 41

3-5- روش­های ترکیبی و خلاقانه. 44

فصل چهارم: روش پیشنهادی

4-1- مقدمه. 51

4-2- معرفی ابزارها و منابع مورد استفاده 52

4-2-1- ریشه­یاب 52

4-2-2- برچسب گذار بخشی از گفتار 53

4-2-3- وردنت 54

4-2-4- وردنت توسعه یافته 57

4-2-5- دامنه­ی وردنت 59

4-3- مراحل روش پیشنهادی.. 59

4-3-1- استخراج کلمات همراه 60

4-3-1-1- پیش پردازش…. 61

4-3-2- استخراج فهرست لغات 61

4-3-2-1- کلمات مترادف و تعاریف… 62

4-3-2-2- کلیه­ی روابط معنایی.. 62

4-3-2-3- هایپرنیم در چند سطح.. 63

4-3-2-4- دامنه­ی کلمات… 64

4-3-2-5- امتیازدهی.. 64

فصل پنجم: پیاده­سازی و ارزیابی

5-1- مقدمه. 67

5-2- نتایج.. 68

فصل ششم: جمع­بندی و نتیجه­گیری

6-1- جمع­بندی.. 71

6-2- کارهای آتی.. 72

فهرست منابع.. 74

1-1- مقدمه

تولید حجم عظیمی از مقالات و مستندات، جامعه­ی علمی را بر آن داشت تا با بهره­گیری از مزایا و توانایی­های روش­های خودکار جهت پردازش این متون، به حوزه­ای تحت عنوان پردازش زبان­های طبیعی[1] روی آورد. همچنین با توجه به وجود لیستی از معانی کلمات و عبارات یا همان دیکشنری و حتی اختصاص موسساتی جهت تعیین نحوه­ی استفاده از یک زبان در برخی از کشورها، اینطور به نظر می­رسد که امکان مکانیزه کردن فهم یک زبان توسط کامپیوتر وجود دارد [1].

مبحث پردازش زبان­های طبیعی خود زیرمجموعه­ای از حوزه­ی گسترده­ی هوش مصنوعی است که توجهات دانشمندان و محققان فراوانی را به خود معطوف کرده است. شاید به ظاهر زبان­هایی که ما در زندگی روزمره برای ایجاد ارتباط با دیگران به کار می­گیریم، ساده باشند. اما در حقیقت این زبان­های انسانی پیچیدگی­های فراوانی دارند که همین پیچیدگی­ها منجر به شکل­گیری زیرشاخه­های متعددی همچون ترجمه­ی ماشینی[2]، بازیابی اطلاعات[3]، پردازش متون[4]، تشخیص صحبت[5]، تحلیل گرامری[6] ، رفع ابهام معنایی[7] و غیره در زمینه­ پردازش زبان­های طبیعی شده است.

در بین مباحث متفاوتی که در زمینه­ پردازش زبان­های طبیعی موجود است، برای اینجانب ابهام معنایی[8] جذابیت بیشتری داشته که در این پایان­نامه به این موضوع پرداخته­ام. ابهام معنایی یکی از مباحث پیچیده و در عین حال پراهمیت است که در شاخه­هایی نظیر ترجمه­ی ماشینی و بازیابی اطلاعات نیز مطرح بوده و بعنوان جزء جدایی ناپذیری از اینگونه سیستم­ها دارای ارزش و حائز اهمیت است.

در واقع این مبحث نشأت گرفته از ابهامی است که در زبان­های طبیعی نهفته است؛ هرچند که وجود این ابهام­ها در اکثر مواقع از دید انسان پوشیده است. آنچه ابهام­های موجود بین سخنگویان بومی را مرتفع می­سازد توانش زبانی آنها، اطلاعات آنها در خصوص جهان پیرامون، طرح پرسش مجدد در صورت وجود یا احساس ابهام و بطور کلی مجموعه­ای از اطلاعات زبانی و غیرزبانی است که سخنگویان بومی به آن مجهزند [40].

مسأله­ی ابهام معنایی شامل تشخیص معنای صحیح یک کلمه با توجه به متنی است که در آن آمده است و در زمینه­ پردازش زبان­های طبیعی به آن رفع ابهام معنایی گفته می­شود. این مهم در بسیاری از شاخه­های پردازش زبان­های طبیعی نیز مطرح بوده و کاربرد دارد که در این میان اصلی­ترین و مشهودترین مورد استفاده­ی آن در شاخه­ی ترجمه­ی ماشینی است. لذا در این فصل ابتدا اشاره­ی کوتاهی به گستره­ی پردازش زبان­های طبیعی و زیرشاخه­های آن داشته، سپس مختصری به شرح مفهوم ترجمه­ی ماشینی و روش­های آن می­پردازیم.

1-2- پردازش زبان­های طبیعی

2-4-1- ویژگی­های الگوریتم رقابت استعماری 28

2-4-2-کاربرد­های الگوریتم رقابت استعماری 28

. 2-5-جمع بندی 30

فصل سوم

3- روش تحقیق 32

3-1- مقدمه 33

3-2- سیستم­های فازی 34

3-2-1- سیستم­های استنتاج فازی 34

سیستم­های فازی Mamdani.. 34

سیستم­های فازی Sugeno…………. 35

سیستم­های فازی Tsukamato… 35

3-2-2- طبقه بندی کننده­های فازی 36

تابع استدلال فازی…….. 36

معیار ارزیابی قوانین ……… 38

3-3- الگوریتم CORE 39

3-4- الگوریتم جزیره ای Ishibuchi برای استخراج قوانین 39

3-5- الگوریتم GBML-IVFS-amp 41

3-6- الگوریتم GNP برای وزن­دهی به قوانین فازی 42

3-7- الگوریتم TARGET 42

3-8- الگوریتم SGERD 43

3-9- الگوریتم رقابت استعماری 44

3-9-1- مقدرادهی اولیه امپراطوری­ها 45

3-9-2- عملگر Assimilation 46

3-9-3- استراتژی­های بهینه سازی میتنی بر تکامل اجتماعی-سیاسی 47

3-10- الگوریتم­های پیشنهادی 48

3-10-1- هدف استفاده از ICA برای الگوریتم پیشنهادی 48

3-10-2- وزن­دهی به قوانین فازی 48

3-10-3- الگوریتم پیشنهادی برای تکامل قوانین فازی…. 52

قوانین خاص و عام…… 52

روش پیشنهادی برای تولید قوانین فازی …….. 53

تابع برازش پیشنهادی…….. 54

3-11-جمع بندی 57

فصل چهارم

نتایج آزمایشات.. 58

4-1- معیار­های ارزیابی 59

4-2-مجموعه داده­ها 60

4-2-1-مجموعه داده KEEL 60

4-2-2-مجموعه داده UCI 61

4-3- الگوریتم پیشنهادی برای وزن­دهی به قوانین 61

4-3-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی 61

4-3-2-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های فازی 62

4-3-3-مقایسه الگوریتم پیشنهادی با طبقه بندی کننده­های غیر فازی 66

4-4- الگوریتم پیشنهادی برای تولید قوانین فازی بهینه 68

4-4-1-پارامتر­ها و تنظیمات سیستم در پیاده سازی یادگیری ساختار قوانین فازی 68

4-4-2-انتخاب ویژگی 69

4-4-3-ارزیابی الگوریتم یادگیری ساختار قوانین با روش­های فازی 70

. 4-4-4-ارزیابی الگوریتم با روش­های غیر فازی 72

.. 4-5- جمع بندی 73

فصل پنجم

جمع بندی و پیشنهادات………….. 76

اختصارات………….. 78

واژه­نامه فارسی به انگلیسی……………………………… 79

واژه نامه انگلیسی به فارسی…………. 80

فهرست منابع………….82

1. مقدمه

   • در این فصل به شرح کلیاتی پیرامون انگیزه ی انتخاب موضوع، طبقه­بندی کننده­های فازی و همچنین شرحی بر مسئله و کاربردها و چالش های می­پردازد. در انتهای فصل نیز اهداف پایان­نامه به صورت خلاصه ذکر می­شود.

• مقدمه

تاکنون دانشمندان حوزه داده کاوی تلاش­های بسیاری برای جدا­سازی صحیح نمونه­های مشابه کرده­اند. استخراج طبقه­بند­های عام[1] و قابل فهم از داده، نقش مهمی در بسیاری از حوزه­ها و مسائل است. تاکنون روش­های متعددی برای طبقه­بندی[2] و تشخیص الگو[3] معرفی شده­است. یکی از شیوه­های موفق و منحصربه­فرد در حوزه طبقه­بندی و تشخیص الگوی داده­های ورودی، استفاده از تکنیک­های فازی برای تقسیم­بندی نرم فضای ویژگی و بالطبع استفاده از یک معماری مؤثر در متصل کردن این زیر­فضاها برای تصمیم­گیری و طبقه­بندی به­صورت فازی می­باشد. طبقه­بندی فازی پروسه گروه بندی عناصر داخل مجموعه­های فازی با یک تابع عضویت[4] است[1]. در واقع، ابتدا فضای جستجو به بخش­هایی قسمت بندی می­شود به گونه ای که تمام فضا پوشش داده شود و سپس بر روی هرکدام از این زیر­فضا­ها مجموعه فازی قرار می­گیرد. اجتماعی از مجموعه­های فازی که فضای فازی نامیده می­شود، مقادیر زبانی فازی یا کلاس­های فازی را تعریف می­کند که یک شی می­تواند به آن­ها تعلق داشته باشد. پس از آن قوانین فازی اگر و آنگاه[5] با توجه به نحوه تخصیص تولید می­شوند. مدل­سازی سیستم­های فازی بصورت مجموعه­ای از این قوانین نمایش داده می­شود.

• انگیزه

طبقه­بندی­کننده­های فازی دارای ویژگی منحصربفرد تفسیرپذیری هستند و قادرند دانش چگونگی تشخیص الگو­ها را برای یک فرد خبره بصورت یک دستورالعمل بازنمایی کنند. طبقه­بندی­کننده­های­ فازی چهار هدف اساسی را دنبال می­کنند. دقت طبقه­بندی­کننده را بیشینه کنند، طبقه­بندی­کننده­ی با بیش­ترین قابلیت تفسیر­پذیری را ایجاد نمایند، پایداری طبقه­بندی­کننده را بیشینه کنند و حساسیت به نویز را کاهش دهند. تاکنون روش­های متفاوتی برای ایجاد قوانین، نحوه تخصیص زیرفضاها، نحوه استنتاج در هر قانون و در نهایت ادغام قوانین ارائه­شده است. بدیهی است زبان طبیعی[6] محور بودن ساختار قوانین فازی علیرغم استخراج دانش، مشکل اثبات ریاضی کارایی طبقه­بندی­کننده از جمله ارائه یک کران­ بالا[7] برای خطای آموزش[8] و خطای تست[9] است. به­عبارتی افزایش عمومی­سازی[10] این طبقه­بندی­کننده­ها بصورت ریاضی مانند طبقه­بندی کننده تقویتی گروهی[11] کار بسیار دشواری است. از این­رو اغلب از روش­های مکاشفه­ای[12] و فوق مکاشفه­ای[13] به­صورت سعی و خطا در تدوین قوانین و ادغام آن­ها استفاده می­گردد، به این دلیل که زیرفضا را برای به­دست­آوردن بهترین ترکیب قوانین جستجو می­کنند [2]-[4] . ایشیبوشی[14][5] روشی را برای تخصیص فضا به­صورت تقسیم­بندی منظم و تکراری ارائه کرد که می­توان از این روش به­عنوان یکی از موثرترین روش­های طبقه­بندی­کننده فازی که مبنای بسیاری از تحقیقات بعدی در این زمینه نیز شد، نام برد.

• شرح مسئله

پروسه یادگیری یک سیستم طبقه­بندی فازی باید مسایل مختلفی را حل کند تا یک سیستم طبقه­بندی زبانی را با یک رفتار صحیح ایجاد نماید. از جمله اینکه بتواند، 1- مجموعه­ای از قوانین فازی را ایجاد کند که دارای یک سطح لازم همکاری بین این قوانین فازی باشد. 2- انتخاب یک تابع استنتاج که روشی را برای ترکیب اطلاعات به­دست آمده از قوانین فازی در کلاسه­بندی نمونه­ها انتخاب می­کند. 3- در مسایل با ابعاد بالا، قوانین فازی از رشد نمایی در سایزشان رنج می­برند. دو مسئله اول، مربوط به پروسه استخراج دانش می­شود که با پردازش­های یادگیری مختلف براساس الگوریتم­های تکرار­شونده مانند شبکه­های عصبی مصنوعی[5-6] یا الگوریتم ژنتیک [2-4]قابل حل است. گزینه سوم از دو جهت می­توان مدیریت کرد: با فشرده­سازی و کاهش مجموعه قوانین، قوانین غیرضروری را با هدف ایجاد یک سیستم طبقه­بندی با کارایی بالاتر حذف کرد. و راهکار دوم با پروسه انتخاب ویژگی انجام می­گیرد.

به طور کلی، هدف مسئله، فراهم کردن یک چارچوب کلی برای تکامل قوانین فازی است. راهکار­های بسیاری در این زمینه ارائه شده، اما همه آن­ها حداقل در یکی از موارد زیر تفاوت دارند، تعداد قوانینی که در هر عضو جمعیت کد می­شود، نوع بیان قوانین کد­شده در هر عضو و نوع و هدف پروسه تکاملی .[7-8] این الگوریتم ها شامل الگوریتم های ژنتیک[15]، بهینه سازی گروه ذرات[16]، گداختگی شبیه سازی شده[17] و… می باشند.

از آنجایی که الگوریتم­های تکاملی[18] به­صورت چند­عاملی[19] جستجو را در فضای ویژگی انجام می­دهند، نحوه گردش آن­ها تا حد ممکن به­صورت تصادفی می­باشد. این خواص، الگوریتم­های تکاملی را به ابزار قوی برای انواع مسائل بهینه­سازی تبدیل نموده است.[2], [4] از جمله مسائل مطرح در زمینه بهینه­سازی، بهینه­سازی ساختار و پارامتر­های طبقه­بندی­کننده­ها می­باشد. بدیهی است هرچه یک طبقه­بندی­کننده­ پارامتر­های بیش­تری داشته باشد، تنظیم بهینه این پارامتر­ها به­صورت دستی کاری بسیار دشوار، و در بعضی حالات­ غیرممکن می­باشد. بدین خاطر از الگوریتم­های تکاملی برای یادگیری پارامتر­ها و تعیین ساختار طبقه­بندی­کننده­های متفاوت به­صورت فراوان استفاده شده است. از جمله این تحقیقات می­توان به بهبود ساختار شبکه عصبی توسط الگوریتم ژنتیک اشاره کرد [9] که الگوریتم ژنتیک سعی در هرس کردن ارتباط بین نورون­ها و به­نوعی لایه­بندی آن­ها به منظور بهبود کارایی طبقه­بندی، دارد.

مزیت ترکیب قوانین فازی و الگوریتم­های تکاملی این است که مجموعه قوانین ایجاد­شده دارای تفسیر­پذیری بیش­تری هستند و می­توانند با عدم قطعیت[20] و ابهام مقابله کنند و همچنین می­توانند به صورت اکتشافی فضای ویژگی را جستجو کنند. به عنوان مثال در بخش ورودی نحوه تخصیص­بندی فضاها و همچنین تعیین پارامتر­های توابع عضویت (مانند شیب و واریانس)، از الگوریتم­های تکاملی استفاده شده است[10].

چالش­ها

با توجه به این که اغلب روشهای عمده و شناخته شده محاسبات تکاملی، شبیه سازی کامپیوتری فرایندهای طبیعی و زیستی هستند، در این نوشتار، از یک روش ترکیبی برای بهبود طبقه­بندی­کننده­های فازی ارائه می­شود که برای بهبود یادگیری پارامتر­های آن الگوریتم تکاملی رقابت استعماری [11] اقتباس شده است. این پایان­نامه، الگوریتم رقابت امپریالیستی [21]را برای هدف استخراج کلاسه­بند­های عام و قابل فهم از داده در شکل یک سیستم قانون ارائه می­کند. در این تحقیق سعی در ارائه ساختار جدیدی بر روی بستر فازی هستیم که در آن ساختار، توزیع قوانین از الگوریتم رقابت استعماری[22] اقتباس شده و لیکن روح قوانین به­صورت فازی است. ضمنأ به­دلیل ایجاد هارمونی مناسب در بهینه­سازی ساختار قوانین و همچنین ادغام قوانین، استفاده از الگوریتم بهینه­سازی رقابت استعماری پیشنهاد می­شود.

در این الگوریتم چند نمونه که دارای میزان برازندگی[23] بالایی می­باشند (امپریالیست[24]) و مرکز امپراطوری­ها هستند، سعی در کشاندن بقیه نمونه­ها (مستعمره)[25] به سمت خود دارند. این الگوریتم را می­توان نوع بهبود یافته الگوریتم ازدحام ذرات در نظر گرفت. لازم به ذکر است که الگوریتم ازدحام ذرات علیرغم سرعت همگرایی بالای آن، احتمال بایاس شدن آن بسیار زیاد می­باشد. چون میزان تصادفی بودن[26] آن در حین جستجو پایین بوده و بسیار بایاس­دار حرکت می­کند. درصورتیکه الگوریتم رقابت استعماری این مسئله را به این شیوه حل کرده است که هر نمونه به­جای حرکت در جهت برآیند دو نقطه با برازندگی­های مناسب، به یکی از چند نقطه­ای اختصاص داده می­شود که بهینه محلی (امپریالیست) اطلاق می­شوند.

از آن­جا که ساختار این الگوریتم به­صورت چند­حوزه­ای می­باشد، بکارگیری آن برای ساختار­بندی قوانین فازی این خاصیت را به­همراه خواهد داشت که یک مجموعه قوانین بر روی یک زیرفضا کار کند نه تنها روی یک قانون. به­عبارت دیگر استفاده از یک قانون برای تصمیم­گیری درمورد یک زیرفضا حتی با داشتن هم­پوشانی[27] با زیرفضاهای همسایه باعث خاص[28] شدن آن قانون و به­نوعی بایاس قانون و آن زیرفضای خاص شده و در مورد سایر نمونه­هایی که دور از آن زیرفضا هستند، نمی­تواند تصمیم­گیری مناسبی را به­عمل آورد که همین امر باعث بیش­سازگاری[29]و کمبود عمومی­سازی توابع فازی می­گردد. در مقابل، الگوریتم یادگیری استعماری از تخصیص یک قانون به یک زیرفضای خاص جلوگیری کرده و حتی زیرفضاهایی که یک مستعمره از قوانین درباره آن تصمیم می­گیرند، دارای ابعاد بسیار وسیع­تری نسبت به زیرفضای تخصیص­شده به هر قانون در مقایسه با روش­های قبلی دارد. ضمنأ هنگامی­که قوانین به­صورت دسته­های مختلفی از مستعمره­های متفاوت بر روی کل فضا عمل می­کنند، می­توان آن را جزو الگوریتم­های توزیع­شده در نظر گرفت. توانایی بهینه­سازی این الگوریتم نسبت به الگوریتم­های بهینه­سازی پیشین هم­تراز و یا حتی بالاتر است و سرعت رسیدن به جواب بهینه نیز مناسب است.

اهداف پایان­نامه

در این رساله می­خواهیم یک مجموعه از قوانین انعطاف­پذیر فازی را با استفاده از الگوریتم رقابت استعماری که پیش از این ذکر شد، ایجاد نماییم. با این هدف که کارایی طبقه­بندی­کننده و تفسیر پذیری قوانین تولید شده حداکثر شود و در عین­حال نویز پذیری کمینه نسبت به طبقه­بندی­کننده­های آماری و نیز عمومی­سازی بسیار مناسبی را ارائه نماید. در واقع در این مسئله می­خواهیم مجموعه­ای از بهترین قوانین با انعطاف پذیری بالا که بیانگر انتخاب بهترین ویژگی­هاست را با استفاده از الگوریتم نوپای رقابت استعماری به­دست آوریم. نکته مهم در این رساله، نحوه تخصیص زیرفضا، ساخت قوانین و در نهایت ادغام آن­ها در یک پروسه بهینه­سازی استعماری است. به­طور­کلی در این پژوهش:

2 .1 .6 روش های پولشویی.. 12

2 .1 .7 موارد مشکوک به پولشویی در بانک ها و مؤسسات اعتباری.. 14

2 .1 .8 ضرورت بهره گیری از راه حل های ضد پولشویی.. 17

2 .1 .9 روش های مبارزه با پولشویی.. 18

2 .1 .10 وظایف و اصول الزامی برای بانک ها و مؤسسات اعتباری در مبارزه با پول شویی.. 23

2 .1 .11 انواع گزارش های مفید جهت شناسایی موارد مشکوک… 29

2 .2 داده کاوی.. 31

2 .2 .1 تاریخچه داده کاوی.. 31

2 .2 .2 چارچوبی کلی برای الگوریتم های داده کاوی.. 33

2 .2 .3 کاربرد داده کاوی در کشف تقلبات مالی.. 35

2 .2 .4 پرکاربردترین روش های داده کاوی برای کشف تقلب های مالی.. 40

2 .2 .5 رویکرد داده کاوی در حل مسائل پولشویی.. 42

2 .2 .6 برخی تحقیقات مرتبط.. 46

2 .3 جمع بندی.. 49

3فصل سوم ارائه طرح سیستم ضد پولشویی با داده کاوی.. 52

3دیباچه. 53

3 .1 روش شناسی تحقیق.. 53

3 .1 .1 روش تحقیق.. 53

3 .2 شیوه ها و ابزارهای جمع آوری داده ها 54

3 .2 .1 بررسی داده های قابل دریافت… 54

3 .2 .2 بررسی سایر اطلاعات موجود در بانك… 55

3 .2 .3 بررسی محدودیت های بانك در ارائه اطلاعات.. 55

3 .2 .4 بررسی محدودیت های بانك اطلاعاتی.. 55

3 .2 .5 مشخص شدن داده های مورد نیاز برای فاز های مختلف پروژه . 56

3 .2 .6 ارائه فرمت دریافت اطلاعات از بانك اطلاعاتی . 56

3 .2 .7 حجم ، زمان و مکان مورد نیاز جهت ارائه اطلاعات . 56

3 .2 .8 آمایش داده ها 56

3 .3 جامعه نظری و روش نمونه گیری.. 57

3 .4 مفروضات تحقیق.. 58

3 .5 شیوه تجزیه و تحلیل داده ها 58

3 .5 .1 مرور پیشینه تحقیق.. 59

3 .5 .2 نظرخواهی از خبرگان.. 60

3 .5 .3 بررسی اسناد و مدارک آرشیوی.. 66

3 .5 .4 طراحی مدل ضد پولشویی بر اساس داده کاوی.. 68

3 .5 .5 جمع بندی.. 74

4فصل چهارم اجرای تحقیق… 75

4دیباچه. 76

4 .1 جزئیات پیاده سازی مدل.. 76

4 .1 .1 آمایش داده ها 76

4 .1 .2 دسته بندی اطلاعات براساس شاخص های خطی و جدا نمودن بخش مشکوک… 77

4 .1 .3 فیلترینگ و جداسازی اطلاعات مناسب… 80

4 .1 .4 خوشه بندی.. 83

4 .1 .5 اجرای الگوریتم نظارت شده 92

4 .1 .6 جمع آوری نتایج.. 93

4 .2 تست و ارزیابی.. 94

4 .2 .1 نحوه تست… 94

4 .2 .2 محاسبه معیار های دقت، بازآوری، یکتائی و صحت… 95

4 .3 نتیجه گیری.. 96

5فصل پنجم جمع بندی و نتیجه گیری.. 98

5دیباچه. 99

5 .1 نتیجه گیری.. 99

5 .2 محدودیت های پژوهش…. 100

5 .3 پیشنهاد برای پژوهش های آینده 101

6منابع و مراجع.. 102

فهرست شکل ها

صفحه

شکل ‏2‑1 مدل CRISP-DM… 34

شکل ‏2‑2 روش های استفاده شده برای کشف انواع تقلبات مالی.. 36

شکل ‏3‑1 فلوچارت کشف موارد پولشوئی با داده کاوی.. 72

شکل ‏4‑1 توزیع شاخص MLI. 79

شکل ‏4‑2 توزیع شاخص MLISQR.. 79

شکل ‏4‑3 نمودار واریز نقدی مشتریان.. 80

شکل ‏4‑4 مراحل ایجاد شاخص MLISQR.. 81

شکل ‏4‑5 جدول داده های تفکیك شده بر اساس شاخص پولشویی(MLISQR) 82

شکل ‏4‑6 هیستوگرام مجموع واریز در خوشه بندی ای ام. 84

شکل ‏4‑7 هیستوگرام مجموع برداشت در خوشه بندی ای ام. 84

شکل ‏4‑8 هیستوگرام تعداد واریز در خوشه بندی ای ام. 85

شکل ‏4‑9 هیستوگرام تعداد برداشت در خوشه بندی ای ام. 85

شکل ‏4‑10 خوشه بندی توسط کامینز، کوهنن، گروه متناظر. 86

شکل ‏4‑11 خوشه بندی گروه متناظر مدل اول.. 87

شکل ‏4‑12 خوشه بندی گروه متناظر مدل دوم. 88

شکل ‏4‑13 خوشه بندی گروه متناظر مدل سوم. 89

شکل ‏4‑14 جدا کردن خوشه اکثریت… 90

شکل ‏4‑15 خوشه بندی توسط کامینز و کوهنن.. 91

شکل ‏4‑16 اجرای الگوریتم های نظارت شده 93

فهرست جداول

صفحه

جدول ‏4‑1 معیار های ارزیابی.. 95

جدول ‏4‑2 محاسبه معیار های ارزیابی برای شبکه عصبی.. 95

 

1 .1 تعریف مسأله و بیان سئوال های اصلی تحقیق

تعاریف متعددی برای پولشویی عنوان شده است که از جمله می توان به موارد ذیل اشاره کرد[15]:

• بنا به تعریفی پولشویی یعنی شسته شدن و تبدیل پول کثیف به پول تمیز به نوعی که پس از خروج از این چرخه قانونی جلوه کند؛ به عبارت دیگر پولشویی عبارت است از هر نوع عمل برای مخفی کردن یا تغییر هویت نامشروع حاصل از فعالیت های مجرمانه به گونه ای که وانمود شود این عواید از منابع قانونی حاصل شده است.

• مجموعه اقداماتی است که از سوی فرد یا افرادی با به کارگیری ابزار های قانونی و با هدف عدم امکان قابلیت ردیابی گردش عواید حاصل از جرم به منظور مخفی کردن منشأ و منبع واقعی پول حاصل از اعمال مجرمانه و نامشروع صورت میگیرد تا پول آلوده و نامشروع در ظاهر پاک و قانونی جلوه نماید.

از این تعاریف چنین بر می آید که عملیات پولشویی به فرآِیند تطهیر پول کثیف گفته می شود. پول کثیف به پولی گفته می شود که از راه های خلاف و غیرقانونی بدست آمده باشد. از آنجا که بانک ها یکی از بهترین موسساتی هستند که می توانند به پولشویان در فرآیند تطهیر پول کثیف کمك کرده و مسیر دسترسی به منشا پول را گمراه و یا پاک نمایند در تمام کشور ها یکی از مهمترین موسساتی که مرجع سو استفاده پولشویان قرار می گیرند بانک ها هستند[44].

3-1- بررسی کارهای مربوط به تشکیل تیمهای پاسخگویی مالی.. 39

فصل چهارم : طراحی تیم پاسخگویی به رخدادهای امنیتی مالی….

4–1– اقدامات اولیه 44

4–2– شناسایی ساختار سازمانی مجموعه مالی 44

4–2–1– ساختار کلی مجموعه مالی.. 44

4-2- 2-ساختار کلی معاونتICT45

4 -2-3-ساختار سازمانی مراکز استانی..47

4 – 5- نیازها و محدودیتهای مجموعه مالی49

4 -6-سرویسهای قابل ارائه49

4 -7-نحوه ارتباط اعضاء تیم پاسخگویی به رخدادهای امنیتی مالی56

4–8– شرح وظایف اعضا تیم پاسخگویی به رخدادهای امنیتی مالی حوزه مرکزی57

4-8- 1- شرح وظایف اعضا تیم پاسخگویی به رخدادهای امنیتی مالی استانی 58

4-9-بررسی فرآینهای موجود 60

4-10- عملیاتی نمودن طرح 63

4–10–1– نیازهای اساسی جهت استقرار مدل تیم پاسخگویی64

2-10-4- برآوردهای مالی جهت راه اندازی تیم پاسخگویی به رخدادهای مالی 66

فصل پنجم: خلاصه و نتیجه گیری.

خلاصه و نتیجه گیری..67

پیشنهاد کارهای آتی..67

مراجع70

 

فهرست شکل ها

شکل1 – ساختارسازمانی کلی موسسه مالی.. 45

شکل2 – ساختار سازمانی معاونت فناوری اطلاعات موسسه مالی 47

شکل3 – ساختار سازمانی مرکز پاسخگویی به حوادث استانی48

شکل4–ساختار سازمانی تیم پاسخگویی به رخدادهای امنیتی مالی..50

شکل5 –فرآیند اعلام نفوذ به تیم پاسخگویی به رخدادهای امنیتی مرکزی..54

شکل6– فرآینداعتبارسنجیعملکرد تیم پاسخگویی به رخدادهای امنیتی مرکزی 57

شکل7– فرآیند اعلام گزارش مغایرت مالی به تیم پاسخگویی به رخدادهای امنیتی مرکزی.. 58

شکل8 – فرآیند گزارش حمله به تیم پاسخگویی به رخدادهای امنیتی مرکزی 59

شکل9 – فرآیند صدور هشدار 60

فهرست جداول

جدول1- استقرار تیم پاسخگویی به رخدادهای امنیتی.. 30

پیوستها

موسیقی……………………………………………………………37

2-7 نتیجه…………………………………………………………………………………………………………………………………38

فصلسوم:روش پیشنهادی

3-1مقدمه………………………………………………………………………………………………………………………………….40

3-2 تولید مجموعه داده از موسیقی ایرانی………………………………………………………………………………41

3-2-1 جمع آوری داده ها و فرا داده ها و پیش پردازش…………………………………………….41

3-2-2 استخراج ویژگی ها………………………………………………………………………………………….42

3-2-3 ویژگی های مجموعه داده ها……………………………………………………………………………43

3-3 ویژگی Area Method Of Moment of MFCC……….………………………………..46

3-3-1عملگر …………………………………..Area Method Of Moment47

3-3-2روش محاسبه Area Method Of Moment of MFCC………………..49

3-4معرفیمعیار شباهت پروفایل جدید………………………………………………………………………………….49

3-4-1 معیار شباهت پروفایل…………………………………………………………………………………….50

3-5برنامه کاربردی پیشنهاددهنده موسیقی…………………………………………………………………………..52

3-5-1 پیشنهاد دهی بر اساس شباهت موسیقی……………………………………………………..55

3-5-2 پیشنهاد دهی بر اساس شباهت پروفایل……………………………………………………….56

3-6نتیجه…………………………………………………………………………………………………………………………………57

فصلچهارم: ارزیابی

4-1مقدمه…………………………………………………………………………………………………………………………………59

4-2ارزیابی برتریمجموعه داده تولید شده……………………………………………………………………………59

4-3ارزیابیویژگیArea Method Of Moment of MFCC…………………………………….61

4-3-1رده بندی سبک………………………………………………………………………………………………61

4-3-2رده بندی دستگاه های موسیقی سنتی…………………………………………………………..66

4-3-3پیشنهاددهی با استفاده از ویژگی Area Method Of Moment of MFCC68

4-4ارزیابی معیارشباهتپروفایل…………………………………………………………………………………………..69

4-5نتیجه………………………………………………………………………………………………………………………………..69

فصلپنجم:نتیجه گیری و کارهای آینده

5-1مقدمه………………………………………………………………………………………………………………………………….71

5-2دستاوردهایتحقیق…………………………………………………………………………………………………………..72

5-3محدودیت­هایتحقیق………………………………………………………………………………………………………73

5-4کارهایآینده…………………………………………………………………………………………………………………….73

فهرست شکل ها

عنوان صفحه

شکل2-1-فلوچارتمحاسبههیستوگرامضرب……………………………………………………………………….17

شکل 2-2- نمونههیستوگرامضرب…………………………………………………………………………………………17

شکل2-2-معیارspectral fluxبرایspeechتقریبابالاترازاینمقداربرایmusicاست.25

شکل2-4-درصدفریم هایباانرژیپایین………………………………………………………………………………26

شکل2-5-یکنمونهدرختتصمیمگیری…………………………………………………………………………….29

شکل3-1- پراکندگیتعدادویژگی هادردسته های مختلف…………………………………………………..44

شکل3-2- پراکندگیتعدادآهنگ هابرایسبک هایمختلف………………………………………………..45

شکل3-3- پراکندگیتعدادآهنگ هابرایدستگاه های مختلف……………………………………………..46

شکل3-4-روشمحاسبهArea Method of Moments of MFCC……………………………………49

شکل3-5- شمایکلیازبرنامهکاربردی………………………………………………………………………………..54

شکل3-6- لیستموسیقی هایدراختیارکاربر………………………………………………………………………54

شکل3-7- مراحلانتخابموسیقیبراساسشباهتفایل هایموسیقی………………………………55

شکل3-8- پیشنهاددهیبراساسشباهتموسیقی ها…………………………………………………………..56

شکل3-9- پیشنهادبراساسشباهتپروفایل هایمشتریان………………………………………………….57

شکل4-1- درصدصحتبرایهرژانردردوآزمایش……………………………………………………………..60

شکل4-2- معیارRecall- precision وF-measureبرایسبک هایمختلف………………64

شکل4-3- معیارRecall- precision وF-measureبرایسبک هایمختلف………………66

شکل4-4- معیارRecall- precision وF-measureبرایدستگاه های مختلف……………68

فهرست جداول

عنوان صفحه

جدول2-1طبقه بندی ویژگی ها……………………………………………………………………………..14

جدول2-2 تقسیم بندی بر اساس طول فریم استخراج…………………………………………..27

جدول2-3مرور متون گذشته در ارتباط با رده بندی موسیقی……………………………….31

جدول2-4مرور متون گذشته سیستم پیشنهاددهنده……………………………………………37

جدول3-1اطلاعات کلی از مجموعه داده……………………………………………………………….43

جدول3-2پراکندگی تعداد ویژگی ها در دسته های مختلف…………………………………..44

جدول4-1 درصد صحت برای هر ژانر در دو آزمایش……………………………………………..60

جدول4-2مجموعه آزمایش های انجام شده و ویژگی های آن……………………………..37

جدول4-3مجموعه ها ویژگی های به کار رفتهدر آموزش درخت تصمیمی…………..63

جدول4-4معیار Recall- precision وF-measure برای سبک مختلف……63

جدول4-5مجموعه ها ویژگی های به کار رفته در آموزش درخت تصمیمی…………..65

جدول4-6 معیار Recall- precision وF-measure برای موسیقی غربی……65

جدول4-7 مجموعه ها ویژگی های به کار رفته در آموزش درخت تصمیمی………….67