پول شویی به مجموعه عملیاتی گفته می شود که شخص یا اشخاص برای قانونی جلوه دادن پول-های غیر قانونی انجام می دهند . این اشخاص برای پنهان نگه داشتن فعالیت های اقتصادی مجرمانه، از سیستم های اقتصادی محیط خود ازجمله بانک ها استفاده می کنند. پول های غیرقانونی با توجه به منشا آنها، اثار نامطلوبی بر اقتصاد کشورها دارند که از آن جمله می توان به افزایش نرخ تورم اشاره کرد . روش های زیادی در جهت مبارزه با مفاسد اقتصادی و فعالیت های مجرمانه، معرفی و به کار گرفته شده است که به مجموعه ی این روش های پیشگیرانه، مبارزه با پول شویی گفته می شود. این روش ها باید در سیستم های اقتصادی از جمله بانک ها مورد استفاده قرار گیرد. اما با توجه به این که این روش ها کامل و همه جانبه نیستند و یا به عبارتی تمام موارد مشکوک را گزارش نمی دهند، همچنان به راهکارهای مناسب تری در راستای کنترل تراکنش های پولی و شناسایی موارد مشکوک به پول شویی نیاز داریم. این پژوهش نشان می دهد که چگونه از قواعد همباشی استخراج شده توسط یکی از الگوریتم-های داده کاوی، به صورت بهینه و عادلانه استفاده کنیم، تا بتوانیم تراکنش های مالی را با حداقل اشتباه دسته بندی کنیم، و تراکنش هایی را که به احتمال زیاد در سیستم پول شویی قرار دارند را شناسایی کنیم. در واقع هدف یافتن الگوهایی از تراکنش های بانکی است، که از طریق آنها شناسایی موارد غیر نرمال یا مشکوک به پول شویی با دقت بیشتری انجام گیرد. به کارگیری این روش دقت قابل قبولی نسبت به روش های قبلی ارائه کرده است.

بسیاری از روش های طبقه بندی ترکیبی به دلیل استفاده از چندین طبقه بند پایه، که بعضا شامل طبقه بند پایه کند هستند، در مواجهه با مجموعه داده های بزرگ پیچیدگی محاسباتی بالایی دارند. در این پژوهش روشی برای ترکیب نتایج طبقه بندها پیشنهاد شده است که با استفاده از خوشه بندی بخشی از مجموعه داده ی آموزش، علاوه بر کاهش پیچیدگی محاسباتی طبقه بندی ترکیبی دقت قابل قبولی را نیز ارائه دهد. در این روش ابتدا طبقه بندهای پایه بوسیله ی بخشی از مجموعه داده ورودی آموزش داده می شوند و سپس با استفاده از برچسب تعیین شده توسط طبقه بندهای پایه برای بخش دیگری از مجموعه داده ورودی، خوشه ها ایجاد می شوند. درنهایت نمونه های موجود در خوشه ها، خوشه ای که هر نمونه به آن تعلق دارد به همراه فاصله هر نمونه تا مرکز تمام خوشه ها به عنوان ورودی به یک شبکه عصبی مصنوعی داده می شوند و برچسب کلاس نهایی داده تست توسط این شبکه عصبی تعیین می شود. مقایسه کارایی روش پیشنهادی با چند روش طبقه بندی ترکیبی دیگر نشان می دهد که روش پیشنهادی زمان اجرای فاز تست کمتری نسبت به سایر روش ها دارد و همچنین در مجموع دقت قابل قبولی را ارائه داد.