曾海燕

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽(yáng) 421005）

0 引言

國(guó)內(nèi)外十分重視“云計(jì)算”，美國(guó)、日本等國(guó)家對(duì)“云會(huì)計(jì)”認(rèn)知早且發(fā)展快[1]。2008年美國(guó)進(jìn)行“云會(huì)計(jì)”軟件設(shè)計(jì)，其中軟件提供商由未達(dá)到10家直至30余家；2013年，澳大利亞利用“云會(huì)計(jì)”辦公，通過(guò)數(shù)據(jù)分析和篩選，為企業(yè)提供財(cái)務(wù)數(shù)據(jù)指導(dǎo)。在我國(guó)，“云計(jì)算”發(fā)展較發(fā)達(dá)國(guó)家慢，目前，對(duì)“云會(huì)計(jì)”，部分企業(yè)經(jīng)驗(yàn)逐漸豐富，具有了良好的體驗(yàn)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(xiàng)目實(shí)時(shí)動(dòng)態(tài)掌握不足等問(wèn)題，使“云會(huì)計(jì)”發(fā)展進(jìn)程緩慢。如何協(xié)調(diào)好傳統(tǒng)會(huì)計(jì)與“云會(huì)計(jì)”是當(dāng)下高校發(fā)展的重要目標(biāo)，所以該文從問(wèn)題出發(fā)，深度剖析，為高校“云預(yù)算”的發(fā)展提供有效信息和技術(shù)支持。

1 基于“云預(yù)算”的高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)分析

1.1 “云預(yù)算”概述

云預(yù)算與云計(jì)算有關(guān)，即通過(guò)云計(jì)算對(duì)項(xiàng)目進(jìn)行預(yù)算分析[2]?！霸茣?huì)計(jì)”起源于“云計(jì)算”，由何雪峰、陳平提出[3]，它通常由個(gè)人或是公司使用，在“云計(jì)算”下進(jìn)行會(huì)計(jì)工作，它的內(nèi)涵可從企業(yè)用戶(hù)和軟件提供商兩個(gè)方面來(lái)分析，其中企業(yè)目的在于通過(guò)會(huì)計(jì)電算化系統(tǒng)進(jìn)行數(shù)據(jù)分析，對(duì)財(cái)務(wù)會(huì)計(jì)管理現(xiàn)狀進(jìn)行分析，進(jìn)而以實(shí)現(xiàn)企業(yè)有效管理；軟件服務(wù)提供商對(duì)“云會(huì)計(jì)”的理解主要是系統(tǒng)的建設(shè)，其實(shí)現(xiàn)會(huì)計(jì)電算化。

1.2 系統(tǒng)的框架結(jié)構(gòu)

如圖1所示，高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)框架結(jié)構(gòu)，該構(gòu)架主要分為4個(gè)部分：1）識(shí)別部分。為高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)，也就是財(cái)務(wù)系統(tǒng)，通常，以傳統(tǒng)數(shù)據(jù)為數(shù)據(jù)集，通過(guò)網(wǎng)站獲取數(shù)據(jù)，并對(duì)其進(jìn)行智能數(shù)據(jù)監(jiān)控。2）數(shù)據(jù)處理。對(duì)識(shí)別的相關(guān)數(shù)據(jù)進(jìn)行獲取、預(yù)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(yǔ)言對(duì)其進(jìn)行異常數(shù)據(jù)監(jiān)控，使用原始數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)處理模塊可將原始數(shù)據(jù)轉(zhuǎn)變?yōu)槟Ｐ徒⒖捎脭?shù)據(jù)，使數(shù)據(jù)達(dá)到有效利用。而數(shù)據(jù)編碼模塊可編碼標(biāo)準(zhǔn)化后的數(shù)據(jù)，將其輸入與智能算法中，在高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)中實(shí)現(xiàn)智能識(shí)別的作用。3）識(shí)別過(guò)程。識(shí)別過(guò)程通常采用人工智能算法，對(duì)系統(tǒng)財(cái)務(wù)數(shù)據(jù)智能算法進(jìn)行訓(xùn)練。4）結(jié)果與預(yù)警部分。在訓(xùn)練模型后，識(shí)別相應(yīng)的財(cái)務(wù)數(shù)據(jù)，并對(duì)異常數(shù)據(jù)進(jìn)行預(yù)警，有助于高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)和預(yù)警。

圖1 系統(tǒng)的整體框架結(jié)構(gòu)

其中，從識(shí)別過(guò)程到結(jié)果預(yù)警需要進(jìn)行數(shù)據(jù)挖掘，將原始數(shù)據(jù)進(jìn)行智能算法處理，該文主要采用神經(jīng)網(wǎng)絡(luò)算法，對(duì)其進(jìn)行數(shù)據(jù)分析。

1.3 神經(jīng)網(wǎng)絡(luò)算法

1.3.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)算法需從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究[4]，其中BP神經(jīng)網(wǎng)絡(luò)具有前饋神經(jīng)網(wǎng)絡(luò)特質(zhì)，具備感知器功能，是一個(gè)多層感知器，BP神經(jīng)網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)最明顯的區(qū)別在于其關(guān)注方向參數(shù)的調(diào)整，這主要由于單一感知器對(duì)非線(xiàn)性問(wèn)題無(wú)法解決，BP神經(jīng)網(wǎng)絡(luò)可利用多層感知器解決非線(xiàn)性問(wèn)題。如圖2所示，BP神經(jīng)網(wǎng)絡(luò)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(xiàn)性問(wèn)題，其激活函數(shù)數(shù)值在0～1，圖2為兩個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3.2 隱藏層包括單元數(shù)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)中的隱含層由結(jié)點(diǎn)數(shù)目決定[5]，如果數(shù)目過(guò)多，神經(jīng)網(wǎng)絡(luò)的表達(dá)能力會(huì)加強(qiáng)，反之，神經(jīng)網(wǎng)絡(luò)表達(dá)受影響，會(huì)出現(xiàn)網(wǎng)絡(luò)不強(qiáng)壯的情況，在對(duì)高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)云預(yù)算分析時(shí)，可建立的模型容錯(cuò)率比較低。雖然隱藏層包括單元數(shù)設(shè)計(jì)時(shí)，數(shù)目過(guò)多的影響性較好，但是會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練所需時(shí)間成本變高，應(yīng)采取適量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，隱藏層包括單元數(shù)設(shè)計(jì)經(jīng)驗(yàn)公式如公式（1）～公式（3）所示。

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

2 “云預(yù)算”下高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)應(yīng)用設(shè)計(jì)

2.1 數(shù)據(jù)集及預(yù)處理

該系統(tǒng)爬取主要針對(duì)大學(xué)生專(zhuān)項(xiàng)資金數(shù)據(jù)進(jìn)行收集和預(yù)處理，如圖3所示。

圖3 系統(tǒng)架構(gòu)圖

唯一屬性處理：通過(guò)Python語(yǔ)言建立唯一識(shí)別樣本特征的方式稱(chēng)為唯一屬性處理[6]，可包括姓名、身份證號(hào)等數(shù)據(jù)，唯一屬性處理不會(huì)識(shí)別異常數(shù)據(jù)，可直接刪除。其中，在語(yǔ)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(duì)缺失數(shù)據(jù)進(jìn)行邏輯索引，其步驟為：確定缺失值位置；采用Python語(yǔ)言進(jìn)行處理，通過(guò)快速查找，對(duì)某一丟失特征數(shù)據(jù)進(jìn)行信息索引，采用position = pandas.isnull（feature_name）語(yǔ)句進(jìn)行邏輯索引，對(duì)缺失位置進(jìn)行處理。

相關(guān)屬性合并：類(lèi)似于聚類(lèi)分析，可使用數(shù)據(jù)運(yùn)算將明顯相關(guān)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(guān)特征，并刪除其他數(shù)據(jù)，達(dá)到相關(guān)屬性合并，該方法可以減少運(yùn)算量，加快訓(xùn)練結(jié)果的產(chǎn)生。

2.2 系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化是系統(tǒng)的重要部分，它不僅能夠提高其計(jì)算性能，還能夠提高存儲(chǔ)能力。另外，數(shù)據(jù)標(biāo)準(zhǔn)化在系統(tǒng)設(shè)計(jì)時(shí)受緯度影響，在神經(jīng)網(wǎng)絡(luò)算法非線(xiàn)性層次分析時(shí)，其非線(xiàn)性導(dǎo)數(shù)的函數(shù)的梯度將始終為非零。

系統(tǒng)數(shù)據(jù)標(biāo)準(zhǔn)化算法分析如下。

離差標(biāo)準(zhǔn)化（min-max 標(biāo)準(zhǔn)化）又名最小最大值標(biāo)準(zhǔn)化，數(shù)據(jù)處理合理范圍0～1。 轉(zhuǎn)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(shí)際應(yīng)用中，對(duì)min-max函數(shù)算法實(shí)現(xiàn)見(jiàn)表1。通常來(lái)看，數(shù)據(jù)離散時(shí)，常態(tài)情況下數(shù)據(jù)最大最小值偏離，會(huì)導(dǎo)致離差標(biāo)準(zhǔn)化的應(yīng)用比較廣泛，如公式（5）所示。

表1 算法分析

2.3 系統(tǒng)識(shí)別過(guò)程

系統(tǒng)識(shí)別過(guò)程綜合考慮高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)的異常數(shù)據(jù)，并分析其應(yīng)用環(huán)境，在該系統(tǒng)中采用適應(yīng)性強(qiáng)、技術(shù)成熟的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行識(shí)別，系統(tǒng)識(shí)別相關(guān)公式如下：1）確定神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)，了解特征樹(shù)中輸入特征數(shù)量和編碼位數(shù)與其之間的關(guān)系如公式（6）所示。

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

2）中間層的確定。在訓(xùn)練過(guò)程中，神經(jīng)網(wǎng)絡(luò)算法中間層通常為 1層，具有 2*Nin中間層神經(jīng)元個(gè)數(shù)，其數(shù)量可根據(jù)系統(tǒng)需求量進(jìn)行調(diào)節(jié)。3）輸出層設(shè)計(jì)。需求分類(lèi)個(gè)數(shù)＝輸出層神經(jīng)元個(gè)數(shù)，在編碼時(shí)采用One_Hot方式，并采用Logsig函數(shù)作為神經(jīng)元函數(shù)。

訓(xùn)練方法如圖4所示，完成高校專(zhuān)項(xiàng)資金項(xiàng)目庫(kù)管理系統(tǒng)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，其神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程通常將初始參數(shù)初值作為隨機(jī)值，進(jìn)行初始化，將給定數(shù)據(jù)中的實(shí)際數(shù)值作為數(shù)據(jù)特征向量輸入，并通過(guò)神經(jīng)網(wǎng)絡(luò)算法計(jì)算各層輸出以及偏差，進(jìn)行權(quán)值更新，并確定其是否終止條件，如果終止就結(jié)束，不終止，就進(jìn)行循環(huán)分析，即利用已處理好的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)進(jìn)行訓(xùn)練。

圖4 A送風(fēng)機(jī)油泵啟動(dòng)功能組

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

2.4 系統(tǒng)結(jié)果輸出

對(duì)專(zhuān)項(xiàng)資金、部門(mén)資金以及教育資金影響高校專(zhuān)項(xiàng)資金項(xiàng)目的3個(gè)因素進(jìn)行預(yù)測(cè)分析。對(duì)具體問(wèn)題進(jìn)行具體分析，獲取專(zhuān)項(xiàng)資金、部門(mén)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(biāo)準(zhǔn)值之間，可不進(jìn)行專(zhuān)項(xiàng)資金X1、部門(mén)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(duì)10組訓(xùn)練與測(cè)試數(shù)據(jù)進(jìn)行系統(tǒng)訓(xùn)練，其中有8組為訓(xùn)練數(shù)據(jù)，后兩組為測(cè)試數(shù)據(jù)，所獲得的結(jié)果課代表實(shí)際差別對(duì)比情況，即用BP網(wǎng)絡(luò)對(duì)高校專(zhuān)項(xiàng)資金項(xiàng)目預(yù)測(cè)的精度。結(jié)合高校專(zhuān)項(xiàng)資金項(xiàng)目的需要，BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)為輸入層為3、隱含層為5、輸出層為1的節(jié)點(diǎn)數(shù)目，最大的訓(xùn)練步數(shù)為500步，訓(xùn)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(luò)算法，進(jìn)行BP網(wǎng)絡(luò)的訓(xùn)練，建立模型。表2說(shuō)明了采用BP網(wǎng)絡(luò)去預(yù)測(cè)專(zhuān)項(xiàng)資金項(xiàng)目數(shù)目的差別。

表2 預(yù)測(cè)和實(shí)際差別對(duì)比

由表2可見(jiàn)，在高校專(zhuān)項(xiàng)資金平臺(tái)中，搭建的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合對(duì)比分析法，其預(yù)測(cè)具有比較高精度，可以用于對(duì)高校專(zhuān)項(xiàng)資金項(xiàng)目的預(yù)測(cè)。

2.5 系統(tǒng)功能實(shí)現(xiàn)

該高校專(zhuān)項(xiàng)資金項(xiàng)目系統(tǒng)包括項(xiàng)目管理、保障體系，同時(shí)又包括財(cái)務(wù)管理系統(tǒng)、校內(nèi)業(yè)務(wù)系統(tǒng)、制成軟件系統(tǒng)以及預(yù)算管理系統(tǒng)等多方面的內(nèi)容，這些內(nèi)容在云預(yù)算的前提下，可對(duì)財(cái)務(wù)信息化項(xiàng)目進(jìn)度進(jìn)行管理，了解財(cái)務(wù)信息化項(xiàng)目風(fēng)險(xiǎn)，可實(shí)現(xiàn)數(shù)據(jù)共享，利于高校對(duì)專(zhuān)項(xiàng)資金項(xiàng)目的管理。

3 結(jié)語(yǔ)

在云預(yù)算的背景下進(jìn)行項(xiàng)目預(yù)測(cè)，為企業(yè)發(fā)展提供幫助。該文對(duì)高校專(zhuān)項(xiàng)資金項(xiàng)目系統(tǒng)進(jìn)行研究，可通過(guò)項(xiàng)目數(shù)目了解高校項(xiàng)目開(kāi)展?fàn)顩r，該文建立高校專(zhuān)項(xiàng)資金項(xiàng)目數(shù)量預(yù)測(cè)模型，并采用BP神經(jīng)網(wǎng)絡(luò)相關(guān)算法對(duì)其進(jìn)行訓(xùn)練，對(duì)影響高校專(zhuān)項(xiàng)資金項(xiàng)目的項(xiàng)目資金、部門(mén)資金以及教育資金因素進(jìn)行量化處理，得到量化數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。將專(zhuān)項(xiàng)資金項(xiàng)目數(shù)量作為樣本搭建網(wǎng)絡(luò)模型，該模型通過(guò)驗(yàn)證預(yù)測(cè)精度，了解和預(yù)測(cè)高校專(zhuān)項(xiàng)資金項(xiàng)目未來(lái)發(fā)展情況，該文采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高校項(xiàng)目的數(shù)目具有重要意義，科學(xué)預(yù)測(cè)不僅可以為工作者提供參考，而且通過(guò)有效模擬數(shù)據(jù)了解項(xiàng)目發(fā)展情況，通過(guò)BP神經(jīng)網(wǎng)絡(luò)分析可知，其數(shù)值并不能完全對(duì)樣本進(jìn)行精準(zhǔn)分類(lèi)，但是試驗(yàn)結(jié)果表明，該算法具有較高的準(zhǔn)確率，在高校專(zhuān)項(xiàng)資金項(xiàng)目平臺(tái)中，神經(jīng)網(wǎng)絡(luò)模型建立可用于專(zhuān)項(xiàng)項(xiàng)目前景預(yù)測(cè)，其具有較高的可行性。