您的位置: turnitin查重官网> 计算机 >> 计算机软件 >试述系统基于多Agent系统和分布式数据挖掘自动信用评分系统

试述系统基于多Agent系统和分布式数据挖掘自动信用评分系统

收藏本文 2024-01-19 点赞:8360 浏览:25499 作者:网友投稿原创标记本站原创

摘要:一台机器履行职能的能力通常与人工智能有关,比如推理、规划、感知、认知、学习、理解和解决不足能力,在计算机学术界机器能力的探讨是最有趣的探讨领域之一。同时也是人工智能领域的主要挑战。其主要目标是开发并利用一台机器模仿人类大脑的一些智能,并提出相关论述与技术。在人工智能领域,Agent已成为了一个重要的概念。智能Agent、软件Agent和一个能代表用户执行任务的自主软件程序有着密切的联系。在计算机科学界,长期智能Agent可以用来表示拥有一些智能的软件Agent或者有学习策略的Agent,甚至没有理性的Agent。在各不同的运用领域,这些学习策略已被证明是很有实际价值的,尤其是在数据挖掘(也被称为数据库中知识发现—KDD)领域,数据挖掘可理解为以大型数据库中提取先前未知的、有效的以及可操作的信息,然后利用这些信息做出关键的业务决策的历程。实际上,在Agent与数据挖掘技术所面对的挑战日益增大及开发出更先进智能系统的必要性的情况下,促使了Agent技术与数据挖掘技术两者之间的融合。当前,Agent技术与数据挖掘技术的运用都十分的活跃。现今,由于全球经济化和信息技术的进展,使得金融数据持续以前所未有速度增加,这迫使金融机构深思一个能高效利用海量数据的自动化策略,以而帮助他们能做出更好的战略规划和投资决策。利用同样的想法,我们将考虑在银行机构的信用评分,该信用评分的实施是一大挑战,它关注银行机构并不知道一个给定客户是否偿还贷款或默认贷款的事实。然而银行机构会评估一个投资者因一个没有做出支付承诺借款人对其所产生的资金亏损风险。本论文通过结合多Agent系统技术和分布式数据挖掘技术来解决上面陈述的不足,尤其是在自动化信用评分的最佳解决案例中,通过对客户信息的历史数据建立预测模型,实现风险的可预见性,帮助银行机构做出良好的信贷审批决策,以而尽可能的降低公司破产的可能性。该系统是有多个自主网站组成一个分布式系统,通过计算机网络与一个加工现场进行通信。本论文提出的分布式系统策略是通过Agent与数据挖掘的交互与整合来完成上面陈述的目标的。该网站的自主权通过基于每个站点上的多个本地模型的合并与同步的全局预测模型实现的。加工现场负责全局预测模型的建立。随着出现了一些新的挑战,然而这些挑战是基于Agent协作与通信机制、分布式数据挖掘、时间消耗和算法的最佳选择。简单的ACSS网站的设计与实现同时利用了四项技术,即JADE、Ja、数据挖掘和Oracle。同时选择了两个数据挖掘算法,分别是决策树和朴素贝叶斯算法,利用机器学习和智能系统的UCI机器学习资源库提供的数据集建立预测模型。本论文利用的数据集中包含1000个实例,其中包括300个不良贷款和700个良好贷款。关键词:多Agent系统论文数据挖掘论文Agent挖掘论文信用评分论文分布式系统论文

    Acknowledgements4-7

    摘要7-9

    Abstract9-12

    Tables of contents12-15

    List of Tables15-16

    List of abbreviations16-17

    List of Figures17-18

    Chapter 1 Introduction18-23

    1.1 Introduction18

    1.2 Motivation18-19

    1.3 Research on MAS and Data Mining19-21

    1.4 Contribution on this thesis21-22

    1.5 Thesis organization22-23

    Chapter 2 Background and related work23-47

    2.1 Introduction23

    2.2 Data mining and Knowledge discovery23-36

    2.2.1 What's data mining23-24

    2.2.2 Domain expertise24

    2.2.3 Data Mining or Knowledge Discovery24-25

    2.2.4 Data warehouse and data mining25-27

    2.2.5 Data mining process27-28

    2.2.6 Data mining functions28-32

    2.2.7 Distributed data mining32-34

    2.2.8 Data mining in banking industry34-35

    2.2.9 Credit scoring in banking industry35-36

    2.3 Multi-Agent System36-46

    2.3.1 Agent technology36

    2.3.2 Agent characteristic and propriety36-37

    2.3.3 Abstract architecture for agent37-39

    2.3.4 Agent communication and coordination39-40

    2.3.5 Agent management40-41

    2.3.6 Agent ontology41-43

    2.3.7 Domain expertise43-44

    2.3.8 MAS framework44-46

    2.4 Chapter summary46-47

    Chapter 3 Agent interaction and integration in data mining47-62

    3.1 Agent-Driven DM versus Data mining driving Agent47-49

    3.1.1 Agent-Driven DM47-48

    3.1.2 Data Mining-Driven Agent48-49

    3.2 The principals challenges of our approach49-60

    3.2.1 Agent coordination and communication mechani50-53

    3.2.2 Distributed Data Mining53-54

    3.2.3 Time consuming54-58

    3.2.4 Best choice for algorithm58-60

    3.3 Case study60-61

    3.4 Chapter summary61-62

    Chapter 4 Design and implementation of ACSS62-86

    4.1 System goal62

    4.2 System analysis and design62-76

    4.2.1 System architecture62-64

    4.2.2 Presentation layer and agent type64-67

    4.2.3 System business workflow67-68

    4.2.4 Sequence diagram68-69

    4.2.5 Class diagram69-76

    4.3 System implementation76-80

    4.3.1 Ja76-77

    4.3.2 JADE77

    4.3.3 Ja Data Mining (JDM)77-79

    4.3.4 Oracle RDBMS79-80

    4.4 Experiment and results discussion80-85

    4.4.1 Time consuming80-82

    4.4.2 System simulation82-85

    4.5 Chapter summary85-86

    Chapter 5 Conclusion and Future work86-88

    References88-92

    Research and Pubpcations92

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号