支持向量數(shù)據(jù)描述及其在財務(wù)報表舞弊識別中的應(yīng)用研究.pdf

1、支持向量數(shù)據(jù)描述作為一種基于統(tǒng)計學習理論的單分類方法，在解決有限樣本、非線性以及高維數(shù)據(jù)的模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，已成為機器學習領(lǐng)域的又一研究熱點。在構(gòu)造支持向量數(shù)據(jù)描述時只需要一個類別的樣本信息，將其應(yīng)用于財務(wù)報表舞弊識別的研究中，能夠較好地解決舞弊數(shù)據(jù)不易獲得的問題，對降低投資風險、增強會計信息透明度以及促進市場的健康發(fā)展都具有重要作用。因此，深入研究支持向量數(shù)據(jù)描述將具有較高的學術(shù)價值和十分重要的現(xiàn)實意義。
　　

2、 論文總結(jié)了支持向量數(shù)據(jù)描述的國內(nèi)外研究現(xiàn)狀，分析了已有方法的優(yōu)缺點。針對模糊支持向量數(shù)據(jù)描述中隸屬度計算所存在的問題，提出了一種在核空間中計算樣本隸屬度的方法，進而實現(xiàn)了一種分層模糊支持向量數(shù)據(jù)描述算法。針對基于支持向量數(shù)據(jù)描述多類分類算法對重疊區(qū)域所采用的判別策略的不足，提出一種基于核空間相對密度的支持向量數(shù)據(jù)描述多類分類算法。針對現(xiàn)有邊界優(yōu)化算法未能充分利用樣本在核空間中的分布信息，提出了一種新的邊界優(yōu)化算法。針對現(xiàn)有增量支持向

3、量數(shù)據(jù)描述算法存在的問題，提出了一種增量支持向量數(shù)據(jù)描述的改進算法。在對支持向量數(shù)據(jù)描述研究成果的基礎(chǔ)上，設(shè)計并實現(xiàn)了一種財務(wù)報表舞弊識別模型。
　　 論文的主要工作包括以下幾個方面：
　　 1、總結(jié)了支持向量數(shù)據(jù)描述的研究現(xiàn)狀，介紹了機器學習的基本問題和統(tǒng)計學習理論基礎(chǔ)，并對支持向量數(shù)據(jù)描述進行了詳細的討論。
　　 2、提出了一種分層模糊支持向量數(shù)據(jù)描述算法KHFSVDD。該算法首先利用核K-Means將原始問

4、題劃分為K個子問題；然后，應(yīng)用模糊支持向量數(shù)據(jù)描述算法生成子問題的局部描述；最后，通過合并子問題的解來構(gòu)建原始問題的全局描述。
　　 3、提出了一種核空間相對密度的思想，并將其應(yīng)用于基于支持向量數(shù)據(jù)描述的多類分類算法中，以核空間相對密度為決策依據(jù)，判斷超球重疊區(qū)域中待測樣本的類別。
　　 4、提出了一種邊界優(yōu)化算法，該算法根據(jù)超球邊界附近樣本的平均密度信息，以及待測樣本與球心的距離，對邊界附近的待測樣本的類別進行判斷。<