1.本发明涉及会计电算化技术领域，具体而言，尤其涉及一种会计电算化计算验真方法。
背景技术：2.会计电算化是企业在原有手工记账的基础上进行电子化演化的高效技术。会计电算化的实施不仅为现代企业经营提供了管控手段和决策方法，也及时的为企业的运营提供了可靠的信息。
3.然而我国诸多企业会计电算化的效率低下，使用效果普遍不显著。这主要的问题是会计界与会计软件的开发商存在着信息对等沟通的问题，这也使得会计电算化的系统功能有待提高。此外，会计电算化过程中存在网络安全问题，这样企业的财务信息就存在泄漏危险。
技术实现要素：4.根据上述提出会计电算化过程中存在网络安全问题，这样企业的财务信息就存在泄漏危险的技术问题，而提供一种会计电算化计算验真方法。本发明主要利用bp神经网络对会计电算化数据进行2次加工和安全录入，从而起到防止财务信息泄漏。
5.本发明采用的技术手段如下：
6.一种会计电算化计算验真方法，包括以下步骤：
7.步骤s1：通过matlab系统对bp神经网络进行训练建模；
8.步骤s11：以tansig函数为隐含层激活函数；
9.步骤s12：以purelin线性传输函数为输出层激活函数；
10.步骤s13：将bp神经网络的输入层神经元根据需求设置为-1,0或者1，并将所述输入层的神经元设置为财务电算化结果；
11.步骤s14：通过经验方程及试错法初步确定所述隐含层的最佳神经元个数；
12.步骤s15：所述设定模型的网络拓扑结构为3-10-1型；
13.步骤s2：以建立的神经网络模型为适应度函数，对录入的数据进行实验验证；
14.步骤s21：设置基本参数以感官得分最大为目标进行遗传算法极值寻优操作；
15.步骤s22：根据所述步骤s21获取的最优解对录入数据进行验证。
16.较现有技术相比，本发明具有以下优点：
17.本发明通过bp神经网络对会计电算化数据进行2次加工和安全录入，能够在有效的提高电算化的效率的基础上，实现对于会计电算化数据录入的完全电子化，利用会计使用的相关函数对企业会计数据录入的约束，实现对于会计系统的功能性提高。同时，利用神经网络特有的寻优功能，系统可以自动对于录入错误或入侵数据进行筛选，从而实现财务信息的安全。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明会计电算化数据录入bp神经网络的过程示意图。
20.图2为本发明遗传算法结合bp神经网络的整体流程示意图。
具体实施方式
21.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
22.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.如图1-2所示，本发明提供了一种会计电算化计算验真方法，包括以下步骤：
24.步骤s1：通过matlab系统对bp神经网络进行训练建模；所述通过matlab系统对bp神经网络进行训练建模的过程中，设置训练的目标误差为0.00001，学习速率为0.01，最大训练步数为1000。
25.步骤s11：以tansig函数为隐含层激活函数；
26.步骤s12：以purelin函数为输出层激活函数；
27.步骤s13：将bp神经网络的输入层神经元根据需求设置为-1,0或者1，并将所述输入层的神经元设置为财务电算化结果；作为一种优选的实施方式，在本申请中，待输入的数据在输入所述输入层前，通过mapminmax函数对所述待输入数据进行归一化处理。
28.步骤s14：通过经验方程及试错法确定所述隐含层的最佳神经元个数；作为优选的实施方式，在本申请中所述最佳神经元个数为10。
29.步骤s15：所述设定模型的网络拓扑结构为3-10-1型；
30.如图1所示，所建立的bp神经网络预测模型中，每个隐藏层神经元都接受来自输入层神经元的输入信号，每个信号都通过一个带有权重的连接传递，隐藏层神经元把信号累加起来得到一个总输入值，然后将总输入值与神经元的阈值进行对比，最后通过激活函数处理得到自身的值(模拟细胞的激活)，隐藏层神经元的输出值又会作为下一层神经元的输入传递到输出层神经元。
31.进一步地，步骤s2：以建立的神经网络模型为适应度函数，对录入的数据进行实验验证。
32.步骤s21：设置基本参数以感官得分最大为目标进行遗传算法极值寻优操作；所述步骤s21中设置的基本参数包括：设置种群规模sizepop＝20，交叉概率pcross＝0.4，变异概率pmutation＝0.2，个体长度lenchrom＝[1,1,1]以及最大迭代次数maxgen＝100。
[0033]
步骤s22：根据所述步骤s21获取的最优解对录入数据进行验证。
[0034]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0035]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0036]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
技术特征：1.一种会计电算化计算验真方法，其特征在于，包括以下步骤：s1：通过matlab系统对bp神经网络进行训练建模；s11：以tansig函数为隐含层激活函数；s12：以purelin线性传输函数为输出层激活函数；s13：将bp神经网络的输入层神经元根据需求设置为-1,0或者1，并将所述输入层的神经元设置为财务电算化结果；s14：通过经验方程及试错法初步确定所述隐含层的最佳神经元个数；s15：所述设定模型的网络拓扑结构为3-10-1型；s2：以建立的神经网络模型为适应度函数，对录入的数据进行实验验证；s21：设置基本参数以感官得分最大为目标进行遗传算法极值寻优操作；s22：根据所述步骤s21获取的最优解对录入数据进行验证。2.根据权利要求1所述的一种会计电算化计算验真方法，其特征在于，待输入的数据在输入所述输入层前，通过mapminmax函数对所述待输入数据进行归一化处理。3.根据权利要求1所述的一种会计电算化计算验真方法，其特征在于，所述通过matlab系统对bp神经网络进行训练建模的过程中，设置训练的目标误差为0.00001，学习速率为0.01，最大训练步数为1000。4.根据权利要求1所述的一种会计电算化计算验真方法，其特征在于，所述最佳神经元个数为10。5.根据权利要求1所述的一种会计电算化计算验真方法，其特征在于，所述步骤s21中设置的基本参数包括：设置种群规模sizepop＝20，交叉概率pcross＝0.4，变异概率pmutation＝0.2，个体长度lenchrom＝[1,1,1]以及最大迭代次数maxgen＝100。
技术总结本发明提供一种会计电算化计算验真方法，包括以下步骤：通过MATLAB系统对BP神经网络进行训练建模；以tansig函数为隐含层激活函数；以purelin线性传输函数为输出层激活函数；将BP神经网络的输入层神经元根据需求设置，并将所述输入层的神经元设置为财务电算化结果；通过经验方程及试错法初步确定所述隐含层的最佳神经元个数；所述设定模型的网络拓扑结构为3-10-1型；以建立的神经网络模型为适应度函数，对录入的数据进行实验验证；设置基本参数以感官得分最大为目标进行遗传算法极值寻优操作；根据获取的最优解对录入数据进行验证。本发明通过BP神经网络对会计电算化数据能够在有效的提高电算化的效率的基础上，实现对于会计电算化数据录入的完全电子化。会计电算化数据录入的完全电子化。会计电算化数据录入的完全电子化。
技术研发人员：路萍 李婷婷 李思锦 吕萌 王扬 袁泉
受保护的技术使用者：大连科技学院
技术研发日：2022.07.01
技术公布日：2022/11/1
