基于流程挖掘的甄別正常與非正常案例的模型.pdf

1、目前有很多針對正常與非正常案例甄別方面的研究，大多是研究如何人工建立區(qū)分標(biāo)準(zhǔn)或特征庫，這類方法不僅使得前期準(zhǔn)備工作量巨大，而且后期甄別能力有限，準(zhǔn)確率也低，在很多應(yīng)用領(lǐng)域有著明顯的局限性。機器識別是人工智能的一個重要研究領(lǐng)域，近年來在工業(yè)生產(chǎn)、醫(yī)療、金融等多個領(lǐng)域廣泛使用，但前期的工作依舊是依賴于專家設(shè)定標(biāo)準(zhǔn)，這種標(biāo)準(zhǔn)由于無法擺脫人的主觀性，而使得甄別準(zhǔn)確率大大降低。
　　 本文首先介紹了有關(guān)甄別正常與非正常案例的研究背景和最近

2、的國內(nèi)外研究現(xiàn)狀，之后介紹了流程挖掘和數(shù)據(jù)挖掘相關(guān)的基礎(chǔ)知識。針對現(xiàn)有的甄別方法存在的不足和缺陷，在總結(jié)前人研究經(jīng)驗的基礎(chǔ)上，本文提出了一個基于流程挖掘的甄別模型(the detection model of normal and abnormal instances，DMNAI)。該模型通過頻繁模式發(fā)現(xiàn)來提取案例特征，使用神經(jīng)網(wǎng)絡(luò)分類器進行檢測，從而避免了人工設(shè)定標(biāo)準(zhǔn)的主觀性。
　　 本文立足于框架的研究，還將DMNAI模型與

3、現(xiàn)有的用于醫(yī)療欺詐與濫用檢測過程的流程挖掘框架(a process-mining framework for the detection of healthcare fraud and abuse，DHFA)進行了比較。由于在DHFA框架中，特征的選擇只是機械的查表工作，使得該模型的泛化能力較弱。DMNAI模型通過流程挖掘來提取特征，建立了一個更為應(yīng)用廣泛的檢測模型。
　　 實驗表明，DMNAI模型經(jīng)過現(xiàn)場實際數(shù)據(jù)的驗證，能有效