基于“云預算”的高校專項資金項目庫管理系統(tǒng)構建的研究

曾海燕

（湖南環(huán)境生物職業(yè)技術學院，湖南 衡陽 421005）

0 引言

國內(nèi)外十分重視“云計算”，美國、日本等國家對“云會計”認知早且發(fā)展快[1]。2008年美國進行“云會計”軟件設計，其中軟件提供商由未達到10家直至30余家；2013年，澳大利亞利用“云會計”辦公，通過數(shù)據(jù)分析和篩選，為企業(yè)提供財務數(shù)據(jù)指導。在我國，“云計算”發(fā)展較發(fā)達國家慢，目前，對“云會計”，部分企業(yè)經(jīng)驗逐漸豐富，具有了良好的體驗效果。雖然很多高校逐漸信息智能化，但是很多高校普及程度低，主要源于高校存在成本低、項目實時動態(tài)掌握不足等問題，使“云會計”發(fā)展進程緩慢。如何協(xié)調(diào)好傳統(tǒng)會計與“云會計”是當下高校發(fā)展的重要目標，所以該文從問題出發(fā)，深度剖析，為高?！霸祁A算”的發(fā)展提供有效信息和技術支持。

1 基于“云預算”的高校專項資金項目庫管理系統(tǒng)分析

1.1 “云預算”概述

云預算與云計算有關，即通過云計算對項目進行預算分析[2]?！霸茣嫛逼鹪从凇霸朴嬎恪?，由何雪峰、陳平提出[3]，它通常由個人或是公司使用，在“云計算”下進行會計工作，它的內(nèi)涵可從企業(yè)用戶和軟件提供商兩個方面來分析，其中企業(yè)目的在于通過會計電算化系統(tǒng)進行數(shù)據(jù)分析，對財務會計管理現(xiàn)狀進行分析，進而以實現(xiàn)企業(yè)有效管理；軟件服務提供商對“云會計”的理解主要是系統(tǒng)的建設，其實現(xiàn)會計電算化。

1.2 系統(tǒng)的框架結構

如圖1所示，高校專項資金項目庫管理系統(tǒng)框架結構，該構架主要分為4個部分：1）識別部分。為高校專項資金項目庫管理系統(tǒng)，也就是財務系統(tǒng)，通常，以傳統(tǒng)數(shù)據(jù)為數(shù)據(jù)集，通過網(wǎng)站獲取數(shù)據(jù)，并對其進行智能數(shù)據(jù)監(jiān)控。2）數(shù)據(jù)處理。對識別的相關數(shù)據(jù)進行獲取、預處理以及數(shù)據(jù)編碼，數(shù)據(jù)處理指的是使用Python等編程語言對其進行異常數(shù)據(jù)監(jiān)控，使用原始數(shù)據(jù)進行處理，數(shù)據(jù)處理模塊可將原始數(shù)據(jù)轉變?yōu)槟Ｐ徒⒖捎脭?shù)據(jù)，使數(shù)據(jù)達到有效利用。而數(shù)據(jù)編碼模塊可編碼標準化后的數(shù)據(jù)，將其輸入與智能算法中，在高校專項資金項目庫管理系統(tǒng)中實現(xiàn)智能識別的作用。3）識別過程。識別過程通常采用人工智能算法，對系統(tǒng)財務數(shù)據(jù)智能算法進行訓練。4）結果與預警部分。在訓練模型后，識別相應的財務數(shù)據(jù)，并對異常數(shù)據(jù)進行預警，有助于高校專項資金項目庫管理系統(tǒng)風險評價和預警。

圖1 系統(tǒng)的整體框架結構

其中，從識別過程到結果預警需要進行數(shù)據(jù)挖掘，將原始數(shù)據(jù)進行智能算法處理，該文主要采用神經(jīng)網(wǎng)絡算法，對其進行數(shù)據(jù)分析。

1.3 神經(jīng)網(wǎng)絡算法

1.3.1 神經(jīng)網(wǎng)絡結構

神經(jīng)網(wǎng)絡算法需從神經(jīng)網(wǎng)絡結構進行研究[4]，其中BP神經(jīng)網(wǎng)絡具有前饋神經(jīng)網(wǎng)絡特質(zhì)，具備感知器功能，是一個多層感知器，BP神經(jīng)網(wǎng)絡與前饋神經(jīng)網(wǎng)絡最明顯的區(qū)別在于其關注方向參數(shù)的調(diào)整，這主要由于單一感知器對非線性問題無法解決，BP神經(jīng)網(wǎng)絡可利用多層感知器解決非線性問題。如圖2所示，BP神經(jīng)網(wǎng)絡存在層次劃分，包括輸入層……第n層，除輸入與輸出層外的中間層成為隱含層，其采用激活函數(shù)解決非線性問題，其激活函數(shù)數(shù)值在0～1，圖2為兩個隱含層的BP神經(jīng)網(wǎng)絡。

圖2 BP神經(jīng)網(wǎng)絡結構圖

1.3.2 隱藏層包括單元數(shù)設計

BP神經(jīng)網(wǎng)絡中的隱含層由結點數(shù)目決定[5]，如果數(shù)目過多，神經(jīng)網(wǎng)絡的表達能力會加強，反之，神經(jīng)網(wǎng)絡表達受影響，會出現(xiàn)網(wǎng)絡不強壯的情況，在對高校專項資金項目庫管理系統(tǒng)云預算分析時，可建立的模型容錯率比較低。雖然隱藏層包括單元數(shù)設計時，數(shù)目過多的影響性較好，但是會導致網(wǎng)絡訓練所需時間成本變高，應采取適量數(shù)據(jù)進行網(wǎng)絡訓練，隱藏層包括單元數(shù)設計經(jīng)驗公式如公式（1）～公式（3）所示。

式中：I為輸入層的節(jié)點數(shù)；J為輸出層的節(jié)點數(shù)；H為隱藏層的節(jié)點數(shù)；k為一個1～10的整常數(shù)；P為樣本數(shù)量。

2 “云預算”下高校專項資金項目庫管理系統(tǒng)應用設計

2.1 數(shù)據(jù)集及預處理

該系統(tǒng)爬取主要針對大學生專項資金數(shù)據(jù)進行收集和預處理，如圖3所示。

圖3 系統(tǒng)架構圖

唯一屬性處理：通過Python語言建立唯一識別樣本特征的方式稱為唯一屬性處理[6]，可包括姓名、身份證號等數(shù)據(jù)，唯一屬性處理不會識別異常數(shù)據(jù)，可直接刪除。其中，在語言程序中指令為data.drop，其中刪除整行整列數(shù)據(jù)為“feature_name”指令，刪除行可表述為“axis=0”，刪除列可表述為“axis=1”。

缺失數(shù)據(jù)的處理：缺失數(shù)據(jù)的處理，顧名思義是對缺失數(shù)據(jù)進行邏輯索引，其步驟為：確定缺失值位置；采用Python語言進行處理，通過快速查找，對某一丟失特征數(shù)據(jù)進行信息索引，采用position = pandas.isnull（feature_name）語句進行邏輯索引，對缺失位置進行處理。

相關屬性合并：類似于聚類分析，可使用數(shù)據(jù)運算將明顯相關性數(shù)據(jù)合并為一條數(shù)據(jù)，保證數(shù)據(jù)能夠明顯表示，某相關特征，并刪除其他數(shù)據(jù)，達到相關屬性合并，該方法可以減少運算量，加快訓練結果的產(chǎn)生。

2.2 系統(tǒng)數(shù)據(jù)標準化

數(shù)據(jù)標準化是系統(tǒng)的重要部分，它不僅能夠提高其計算性能，還能夠提高存儲能力。另外，數(shù)據(jù)標準化在系統(tǒng)設計時受緯度影響，在神經(jīng)網(wǎng)絡算法非線性層次分析時，其非線性導數(shù)的函數(shù)的梯度將始終為非零。

系統(tǒng)數(shù)據(jù)標準化算法分析如下。

離差標準化（min-max 標準化）又名最小最大值標準化，數(shù)據(jù)處理合理范圍0～1。 轉換函數(shù)定義如公式（4）所示。

式中：min（X）為序列數(shù)據(jù)樣本里的最小值；在實際應用中，對min-max函數(shù)算法實現(xiàn)見表1。通常來看，數(shù)據(jù)離散時，常態(tài)情況下數(shù)據(jù)最大最小值偏離，會導致離差標準化的應用比較廣泛，如公式（5）所示。

表1 算法分析

2.3 系統(tǒng)識別過程

系統(tǒng)識別過程綜合考慮高校專項資金項目庫管理系統(tǒng)的異常數(shù)據(jù)，并分析其應用環(huán)境，在該系統(tǒng)中采用適應性強、技術成熟的神經(jīng)網(wǎng)絡算法進行識別，系統(tǒng)識別相關公式如下：1）確定神經(jīng)網(wǎng)絡輸入層神經(jīng)元個數(shù)，了解特征樹中輸入特征數(shù)量和編碼位數(shù)與其之間的關系如公式（6）所示。

式中：N為特征樹；Ni為第 i個特征的編碼位數(shù)；Nin為輸入層神經(jīng)元的個數(shù)。

2）中間層的確定。在訓練過程中，神經(jīng)網(wǎng)絡算法中間層通常為 1層，具有 2*Nin中間層神經(jīng)元個數(shù)，其數(shù)量可根據(jù)系統(tǒng)需求量進行調(diào)節(jié)。3）輸出層設計。需求分類個數(shù)＝輸出層神經(jīng)元個數(shù)，在編碼時采用One_Hot方式，并采用Logsig函數(shù)作為神經(jīng)元函數(shù)。

訓練方法如圖4所示，完成高校專項資金項目庫管理系統(tǒng)神經(jīng)網(wǎng)絡設計，其神經(jīng)網(wǎng)絡訓練過程通常將初始參數(shù)初值作為隨機值，進行初始化，將給定數(shù)據(jù)中的實際數(shù)值作為數(shù)據(jù)特征向量輸入，并通過神經(jīng)網(wǎng)絡算法計算各層輸出以及偏差，進行權值更新，并確定其是否終止條件，如果終止就結束，不終止，就進行循環(huán)分析，即利用已處理好的數(shù)據(jù)對神經(jīng)網(wǎng)進行訓練。

圖4 A送風機油泵啟動功能組

圖4 BP神經(jīng)網(wǎng)絡訓練過程

2.4 系統(tǒng)結果輸出

對專項資金、部門資金以及教育資金影響高校專項資金項目的3個因素進行預測分析。對具體問題進行具體分析，獲取專項資金、部門資金以及教育資金的量化得分。了解量化分量數(shù)值范圍，規(guī)劃處理量化得分不在[0，1]，保證其在[0，1]。經(jīng)由數(shù)據(jù)獲取，量化得分標準值之間，可不進行專項資金X1、部門資金X2以及教育資金X3歸一化處理。利用公式（1）～公式（5）歸一化處理。

該文對10組訓練與測試數(shù)據(jù)進行系統(tǒng)訓練，其中有8組為訓練數(shù)據(jù)，后兩組為測試數(shù)據(jù)，所獲得的結果課代表實際差別對比情況，即用BP網(wǎng)絡對高校專項資金項目預測的精度。結合高校專項資金項目的需要，BP神經(jīng)網(wǎng)絡設計為輸入層為3、隱含層為5、輸出層為1的節(jié)點數(shù)目，最大的訓練步數(shù)為500步，訓練的誤差為0.001，利用上述數(shù)據(jù)和參數(shù)，采用神經(jīng)網(wǎng)絡算法，進行BP網(wǎng)絡的訓練，建立模型。表2說明了采用BP網(wǎng)絡去預測專項資金項目數(shù)目的差別。

表2 預測和實際差別對比

由表2可見，在高校專項資金平臺中，搭建的BP神經(jīng)網(wǎng)絡模型，結合對比分析法，其預測具有比較高精度，可以用于對高校專項資金項目的預測。

2.5 系統(tǒng)功能實現(xiàn)

該高校專項資金項目系統(tǒng)包括項目管理、保障體系，同時又包括財務管理系統(tǒng)、校內(nèi)業(yè)務系統(tǒng)、制成軟件系統(tǒng)以及預算管理系統(tǒng)等多方面的內(nèi)容，這些內(nèi)容在云預算的前提下，可對財務信息化項目進度進行管理，了解財務信息化項目風險，可實現(xiàn)數(shù)據(jù)共享，利于高校對專項資金項目的管理。

3 結語

在云預算的背景下進行項目預測，為企業(yè)發(fā)展提供幫助。該文對高校專項資金項目系統(tǒng)進行研究，可通過項目數(shù)目了解高校項目開展狀況，該文建立高校專項資金項目數(shù)量預測模型，并采用BP神經(jīng)網(wǎng)絡相關算法對其進行訓練，對影響高校專項資金項目的項目資金、部門資金以及教育資金因素進行量化處理，得到量化數(shù)據(jù)，并對數(shù)據(jù)進行歸一化處理。將專項資金項目數(shù)量作為樣本搭建網(wǎng)絡模型，該模型通過驗證預測精度，了解和預測高校專項資金項目未來發(fā)展情況，該文采用BP神經(jīng)網(wǎng)絡預測高校項目的數(shù)目具有重要意義，科學預測不僅可以為工作者提供參考，而且通過有效模擬數(shù)據(jù)了解項目發(fā)展情況，通過BP神經(jīng)網(wǎng)絡分析可知，其數(shù)值并不能完全對樣本進行精準分類，但是試驗結果表明，該算法具有較高的準確率，在高校專項資金項目平臺中，神經(jīng)網(wǎng)絡模型建立可用于專項項目前景預測，其具有較高的可行性。