基于卷積神經(jīng)網(wǎng)絡(luò)的企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正方法研究

王 強(qiáng)，余熙文

(1.淮北職業(yè)技術(shù)學(xué)院 財(cái)經(jīng)系，安徽 淮北 235000；2.合肥師范學(xué)院 藝術(shù)傳媒學(xué)院，安徽 合肥 230601)

卷積神經(jīng)網(wǎng)絡(luò)技術(shù)是現(xiàn)階段高新技術(shù)研究中的熱門，具有較強(qiáng)的表征學(xué)習(xí)能力.卷積神經(jīng)網(wǎng)絡(luò)被應(yīng)用到各個(gè)領(lǐng)域中，得到了快速發(fā)展[1-3],在企業(yè)財(cái)務(wù)管理中具有很重要的實(shí)際意義.企業(yè)發(fā)展中，離不開財(cái)務(wù)的管理與運(yùn)作，對(duì)于企業(yè)財(cái)務(wù)的管理，離不開數(shù)據(jù)的核算.企業(yè)正常經(jīng)營(yíng)中，每天都會(huì)產(chǎn)生大量財(cái)務(wù)數(shù)據(jù)，需要會(huì)計(jì)人員統(tǒng)計(jì)和審核，一些細(xì)微誤差會(huì)導(dǎo)致企業(yè)財(cái)務(wù)出現(xiàn)異常，嚴(yán)重情況下會(huì)造成企業(yè)財(cái)務(wù)危機(jī)，影響企業(yè)正常運(yùn)營(yíng)[4-6].面對(duì)這一問(wèn)題，一些技術(shù)人員和相關(guān)專業(yè)專家提出了相應(yīng)校正方法，通過(guò)適當(dāng)技術(shù)手段校正數(shù)據(jù)誤差，獲得準(zhǔn)確的數(shù)據(jù)核算結(jié)果.

文獻(xiàn)[7]提出基于線性回歸的校正方法，該方法能夠準(zhǔn)確檢測(cè)出數(shù)據(jù)誤差，具有一定數(shù)據(jù)還原能力，將數(shù)據(jù)校正為正確狀態(tài)，但是在網(wǎng)絡(luò)噪聲工作環(huán)境中，容易受到網(wǎng)絡(luò)波動(dòng)的影響，造成數(shù)據(jù)丟失等情況，數(shù)據(jù)的可靠性較差.文獻(xiàn)[8]提到基于粒子群優(yōu)化的校正方法，該方法利用優(yōu)化后的粒子群，實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)校正，具有較高的校正精度，但在網(wǎng)絡(luò)噪聲工作環(huán)境下，同樣存在數(shù)據(jù)可靠性較差的問(wèn)題.

為解決上述方法中存在的問(wèn)題，本文將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到校正方法設(shè)計(jì)中，通過(guò)檢測(cè)企業(yè)財(cái)務(wù)數(shù)據(jù)中存在的誤差，并將獲取的誤差數(shù)據(jù)借助卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行有效分類，并預(yù)測(cè)核算數(shù)據(jù)下一狀態(tài)變化，引入外控制量并求解，根據(jù)控制量的變化校正數(shù)據(jù)誤差.

1 企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正方法設(shè)計(jì)

1.1 財(cái)務(wù)核算數(shù)據(jù)誤差檢測(cè)

為實(shí)現(xiàn)企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正，需要檢測(cè)企業(yè)財(cái)務(wù)核算數(shù)據(jù)的誤差量.因此，本文檢測(cè)了企業(yè)財(cái)務(wù)核算數(shù)據(jù)的誤差.

假設(shè)企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)集設(shè)置為：

W=[w1,w2,…,wn]∈R+，

(1)

式中，w代表數(shù)據(jù)集合中組成因子，n表示數(shù)據(jù)集中核算數(shù)據(jù)的數(shù)量.

在會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)檢測(cè)集內(nèi)誤差U表示為：

U=[u1,u2,…,um]，

(2)

式中，u代表核算數(shù)據(jù)檢測(cè)因子.

會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差檢測(cè)之前，分解W，得到：

W=HHT.

(3)

并將數(shù)據(jù)集轉(zhuǎn)換為另一種形式，如下：

Wc=H-1W=H-1U+H-1E，

(4)

式中，H表示下三角矩陣，H∈R+，E表示期望值[9].

計(jì)算Wc的方差矩陣，定義期望值為：

(5)

對(duì)Wc進(jìn)行奇異值分解，分成前m-v個(gè)奇異值與后v個(gè)奇異值，其表現(xiàn)形式為：

(6)

式中，Z表示W(wǎng)c列組成的正交輸入基向量，D表示正交輸出基向量，v表示約束矩陣行數(shù).

通過(guò)上述計(jì)算獲得最小特征值近似為1的個(gè)數(shù)即為v的取值[10].求解上述公式，即可得到數(shù)據(jù)集的誤差結(jié)果為：

U=HXc.

(7)

在獲得數(shù)據(jù)誤差后，利用卷積神經(jīng)網(wǎng)絡(luò)確定數(shù)據(jù)之間、誤差之間及數(shù)據(jù)與誤差之間的關(guān)系，以數(shù)據(jù)間關(guān)系作為依據(jù)，校正數(shù)據(jù)誤差.

1.2 財(cái)務(wù)核算數(shù)據(jù)間關(guān)系確定

根據(jù)上述檢測(cè)的財(cái)務(wù)核算數(shù)據(jù)中存在的誤差，利用卷積神經(jīng)網(wǎng)絡(luò)搭建數(shù)據(jù)分類模型，將財(cái)務(wù)核算數(shù)據(jù)作為模型的輸入量，通過(guò)分析數(shù)據(jù)的特征向量，判斷財(cái)務(wù)核算數(shù)據(jù)間變量的關(guān)系[11].構(gòu)建的財(cái)務(wù)核算數(shù)據(jù)分類模型框架如圖1所示.

圖1 財(cái)務(wù)核算數(shù)據(jù)分類模型框架

在模型內(nèi)主要負(fù)責(zé)處理財(cái)務(wù)核算數(shù)據(jù)的內(nèi)容為池化層和卷積層，考慮到數(shù)據(jù)關(guān)系的特殊性，對(duì)卷積層與池化層之間的連接方式重新設(shè)計(jì)，具體設(shè)計(jì)內(nèi)容如圖2所示.

圖2 卷積層與池化層連接設(shè)計(jì)

假設(shè)輸入到模型內(nèi)的財(cái)務(wù)核算數(shù)據(jù)為A={a1,a2,…,a|a|}，其中，ai表示數(shù)據(jù)的第i個(gè)序列，使用Ai:j表示串聯(lián)序列矩陣[ai:ai+1:…:aj]，與數(shù)據(jù)進(jìn)行卷積操作，得到另一個(gè)向量p表示為：

pj=K?A(j-k+1):j，

(8)

式中，1≤j≤|A|-k+1，K表示卷積層的權(quán)值矩陣[12].

使用濾波器捕捉輸入數(shù)據(jù)的不同特征，財(cái)務(wù)核算數(shù)據(jù)的卷積運(yùn)算表示為：

pij=Ki?A(j-k+1):j，

(9)

其中，1≤i≤n，通過(guò)模型中卷積層，即可得到矩陣P={p1,p2,…,pn}.將矩陣P分成3部分，pi={pi,1,pi,2,pi,3}，通過(guò)池化層處理得到被分段的向量：

ηij=max(pi,j).

(10)

將向量ηij組合到一起，得到一個(gè)數(shù)據(jù)完整的特征向量為：

tA=tanh(η).

(11)

通過(guò)點(diǎn)乘計(jì)算，得到數(shù)據(jù)A對(duì)應(yīng)的類別標(biāo)簽，得到該類別標(biāo)簽的類別向量，組合成類別矩陣TA.

依據(jù)各數(shù)據(jù)類別，即可確定數(shù)據(jù)間關(guān)系.在已知數(shù)據(jù)誤差和數(shù)據(jù)間關(guān)系的情況下，實(shí)現(xiàn)對(duì)數(shù)據(jù)誤差的校正.

1.3 企業(yè)財(cái)務(wù)數(shù)據(jù)誤差校正實(shí)現(xiàn)

根據(jù)上述分析，已知財(cái)務(wù)核算數(shù)據(jù)的誤差是隨機(jī)誤差和核算誤差之和，表示為：

Δyb=Δsyb+Δoyb.

(12)

為了精準(zhǔn)校正數(shù)據(jù)誤差，向前一步預(yù)測(cè)數(shù)據(jù)得到的誤差表示為：

(13)

式中，s和o分別表示隨機(jī)誤差和核算誤差的特征，b表示當(dāng)前數(shù)據(jù)狀態(tài).

(14)

(15)

求解上述公式，計(jì)算外控制量x，即可求得b狀態(tài)下修正預(yù)測(cè)值，完成對(duì)核算數(shù)據(jù)誤差的修正.

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)準(zhǔn)備

選取某公司財(cái)務(wù)數(shù)據(jù)用于實(shí)驗(yàn)研究，該數(shù)據(jù)符合客觀性、可比性以及可獲得性，考慮到該樣本企業(yè)財(cái)務(wù)狀態(tài)，將研究目標(biāo)設(shè)定為被特別處理的上市企業(yè)，采集該上市企業(yè)上一年年報(bào)數(shù)據(jù)信息，將這些數(shù)據(jù)用于企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正實(shí)驗(yàn)研究中.采集的企業(yè)財(cái)務(wù)數(shù)據(jù)中可能包含一些歧異，這是由于財(cái)務(wù)報(bào)表自身問(wèn)題造成，在實(shí)驗(yàn)中可能會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響.因此，在獲得數(shù)據(jù)后，處理樣本數(shù)據(jù)，消除數(shù)據(jù)之間的歧義.由于財(cái)務(wù)指標(biāo)數(shù)據(jù)意義不同，對(duì)數(shù)據(jù)歸一化處理，公式如下：

(16)

式中，i表示實(shí)驗(yàn)數(shù)據(jù)集中的數(shù)據(jù)編號(hào)，i=1,2,…,N，N表示全部數(shù)據(jù)數(shù)量，Gi表示第i個(gè)數(shù)據(jù)樣本的歸一化值，xmax表示數(shù)據(jù)樣本的最大值，xmin表示數(shù)據(jù)樣本的最小值.在歸一化處理后，使樣本數(shù)據(jù)分布在[-1,1]之間.

實(shí)驗(yàn)中，引入基于線性回歸的數(shù)據(jù)誤差校正方法和基于粒子群優(yōu)化的數(shù)據(jù)誤差校正方法，實(shí)驗(yàn)設(shè)計(jì)是為了驗(yàn)證各校正方法的實(shí)際水平，但在實(shí)驗(yàn)過(guò)程中，實(shí)驗(yàn)結(jié)果會(huì)受到各項(xiàng)參數(shù)設(shè)定的影響，因此，結(jié)合實(shí)際企業(yè)財(cái)務(wù)狀態(tài)，在實(shí)驗(yàn)中選擇適當(dāng)?shù)哪Ｐ蛥?shù)，設(shè)置數(shù)據(jù)的窗口大小為3，向量維度為5.實(shí)驗(yàn)數(shù)據(jù)規(guī)模、分布特征與數(shù)據(jù)誤差校正效果存在關(guān)系，數(shù)據(jù)規(guī)模越大，校正過(guò)程中需要的計(jì)算量越多，數(shù)據(jù)規(guī)模太小，又會(huì)導(dǎo)致校正效果不好.為了消除這一影響因素，使用matlab中的核密度估計(jì)函數(shù)，處理實(shí)驗(yàn)數(shù)據(jù)，計(jì)算數(shù)據(jù)集的區(qū)域概率值.分別取數(shù)據(jù)規(guī)模為10、100、1 000，獲得核密度估計(jì)結(jié)果如圖3所示.

圖3 數(shù)據(jù)集的區(qū)域概率值估計(jì)

從圖3中顯示的3組估計(jì)結(jié)果可知，當(dāng)數(shù)據(jù)規(guī)模為10時(shí)，歷史數(shù)據(jù)過(guò)少，估計(jì)值出現(xiàn)了比較嚴(yán)重的偏離，分布效果并不理想，當(dāng)數(shù)據(jù)規(guī)模為1000時(shí)，分布情況與理想分布較接近，但是存在較多的運(yùn)算量，相比之下，當(dāng)數(shù)據(jù)規(guī)模為100時(shí)更適合實(shí)驗(yàn)研究，此時(shí)數(shù)據(jù)規(guī)模的狀態(tài)與理想狀態(tài)基本相符，并且運(yùn)算量較少.因此，在不影響數(shù)據(jù)誤差校正效果的前提下，實(shí)驗(yàn)中選取100作為實(shí)驗(yàn)數(shù)據(jù)規(guī)模.

2.2 實(shí)驗(yàn)結(jié)果分析

在會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正過(guò)程中，數(shù)據(jù)補(bǔ)償是一個(gè)非常重要的環(huán)節(jié)，補(bǔ)償效果對(duì)數(shù)據(jù)的質(zhì)量影響比較大，補(bǔ)償效果越好，校正后的數(shù)據(jù)質(zhì)量就越高.因此，為了驗(yàn)證不同校正方法中數(shù)據(jù)補(bǔ)償效果，設(shè)計(jì)對(duì)比實(shí)驗(yàn)，以數(shù)據(jù)的累積分布圖作為實(shí)驗(yàn)結(jié)果，設(shè)定不同的誤差等級(jí)，分析不同誤差等級(jí)下，數(shù)據(jù)得到補(bǔ)償?shù)陌俜直?實(shí)驗(yàn)設(shè)置兩種情況，一種是在正常工作環(huán)境下，另一種在網(wǎng)絡(luò)噪聲干擾的工作環(huán)境下，實(shí)驗(yàn)結(jié)果圖4所示.

(a)正常工作環(huán)境下不同校正方法補(bǔ)償效果實(shí)驗(yàn)結(jié)果

(b)網(wǎng)絡(luò)噪聲環(huán)境下不同校正方法補(bǔ)償效果實(shí)驗(yàn)結(jié)果圖4 不同工作環(huán)境下校正方法補(bǔ)償效果實(shí)驗(yàn)結(jié)果

從圖4中可以看出，圖a在正常工作環(huán)境中，3種校正方法在實(shí)驗(yàn)過(guò)程中均能達(dá)到100%的補(bǔ)償效果，但對(duì)比分析可知，提出本文校正方法能夠在面對(duì)較高誤差等級(jí)時(shí)，更快速地實(shí)現(xiàn)數(shù)據(jù)補(bǔ)償，而其他兩種校正方法面對(duì)高等級(jí)的誤差需要緩沖.觀察圖b實(shí)驗(yàn)結(jié)果，在網(wǎng)絡(luò)噪聲環(huán)境下，基于線性回歸的校正方法沒(méi)有在實(shí)驗(yàn)內(nèi)達(dá)到最好的補(bǔ)償效果；基于粒子群優(yōu)化的校正方法雖然在實(shí)驗(yàn)內(nèi)達(dá)到最佳補(bǔ)償效果，但是與正常工作環(huán)境下的補(bǔ)償效果相比，并不理想；提出的校正方法在網(wǎng)絡(luò)噪聲環(huán)境下依然能夠保證高水平的補(bǔ)償效果，說(shuō)明該方法使財(cái)務(wù)核算數(shù)據(jù)質(zhì)量能夠得到保障.

在企業(yè)財(cái)務(wù)核算數(shù)據(jù)完整性實(shí)驗(yàn)中，以數(shù)據(jù)的輟出率和數(shù)據(jù)方差作為指標(biāo).數(shù)據(jù)輟出率為數(shù)據(jù)在誤差校正過(guò)程中損失的數(shù)據(jù)，其值越大說(shuō)明數(shù)據(jù)損失越大；數(shù)據(jù)方差表示數(shù)據(jù)的離散性，數(shù)據(jù)離散程度越大，計(jì)算的數(shù)據(jù)方差越大，在處理過(guò)程中越容易丟失數(shù)據(jù).數(shù)據(jù)輟出率的計(jì)算公式為：

(17)

式中，y表示真實(shí)數(shù)據(jù)的權(quán)重，a表示輟出數(shù)據(jù).

經(jīng)過(guò)計(jì)算與統(tǒng)計(jì)，得到不同校正方法的數(shù)據(jù)完整實(shí)驗(yàn)結(jié)果，如表1所列.

表1 不同校正方法數(shù)據(jù)完整性實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中數(shù)據(jù)輟出率大，數(shù)據(jù)方差大，說(shuō)明數(shù)據(jù)完整性差，數(shù)據(jù)丟失情況嚴(yán)重；反之，數(shù)據(jù)輟出率小、數(shù)據(jù)方差小，說(shuō)明數(shù)據(jù)完整性好，財(cái)務(wù)核算數(shù)據(jù)安全完整.觀察表1中數(shù)據(jù)分布情況可知，實(shí)驗(yàn)中引入的兩種校正方法輟出率較高，數(shù)據(jù)方差也比較高，隨著數(shù)據(jù)集大小的變化，輟出率和數(shù)據(jù)方差隨之升高，最高達(dá)到了31.4%和26.9%；提出的校正方法雖然也存在數(shù)據(jù)方差和輟出率升高的情況，但是數(shù)值變化較小，最高為4.52%，在可控范圍內(nèi)，對(duì)數(shù)據(jù)誤差校正效果小，該校正方法得到的數(shù)據(jù)完整性更好.

3 結(jié)語(yǔ)

本文以企業(yè)會(huì)計(jì)財(cái)務(wù)核算數(shù)據(jù)誤差校正作為研究目標(biāo)，將卷積神經(jīng)網(wǎng)絡(luò)引入到校正方法中，重新設(shè)計(jì)校正方法，并在方法設(shè)計(jì)完成后，通過(guò)對(duì)比實(shí)驗(yàn)對(duì)校正方法的應(yīng)用水平進(jìn)行了驗(yàn)證，解決了傳統(tǒng)校正方法中存在的一些問(wèn)題.由于受到技術(shù)手段和研究環(huán)境的限制，研究過(guò)程中忽略了一些研究細(xì)節(jié)，導(dǎo)致該方法存在一些不足之處，將在后續(xù)研究中逐一完善.