文摘

目前,经济业务活动发生的会计要素确认链接会计信息系统(AIS),仍然占据了大量的人力和物质资源的企业来生成信息。这是限制现代AIS的发展。在此基础上,首先,本文研究了知识经济对会计的影响创新和创新经济。经济业务对会计要素确认的过程,在传统的AIS,进行了分析。会计要素确认的模型,即。,BPNN, is constructed by combining the backpropagation (BP) neural network (NN) theory with the artificial intelligence (AI) algorithm. Finally, we simulate the confirmation process of accounting elements based on the economic business data of specific online stores. The experimental outcomes illustrate that under the proposed BPNN model, the output value of the accounting entry is also increasing and has been in the interval [0, 0.14] with the continuous increase in the input value of economic business activities. Moreover, the overall simulation error of economic business activity data does not exceed 0.3% in the simulation test of the proposed accounting business data confirmation model based on the BPNN algorithm. The empirical outcomes indicate that the model has high accuracy and reliability. The purpose is to realize the identification of business events by machines and complete the automatic confirmation of accounting elements in the back-end economic business of online stores. This paper provides new ideas for realizing the overall intelligence of the AIS.

1。介绍

目前,多数学者关注会计计量和报告的研究,很少有研究对会计确认。直到1830年左右,“确认”一词首次被使用。随后,“确认”的意义,提出了在“会计概述”(1]。在1970年代,“确认”的具体含义是提到的,但它的概念是没有正式提出(2]。在1980年代,一个权威的会计提出了识别的概念和定义。一旦发生经济业务活动,“确认”的过程中记录的事件在这个经济活动元素的名字如资产、负债、收入和费用,并最终反映在财务报表的输出(3]。等基本问题的意义、功能、过程,前提,讨论了标准,会计确认的基础从会计确认的定义。这时,研究会计鉴定是标准化的4]。之后,会计确认和计量的理论在会计理论体系的研究视角阐述了会计理论体系。

识别和测量相关的理论问题还指出了进一步的研究(5]。从认知理论的角度,通过会计事实判断是反映在一个事件。学者们认为,这一过程包括三个阶段。每个阶段不同的影响会计信息的质量,也决定了会计信息质量的可靠性和相关性(6]。随后,会计信息环境中强调识别。学者提出,应进一步加强会计确认适应快速变化的特点和大型企业电子商务背景下的体积。这将是一个决定性因素在解决当前会计问题[7]。

人工神经网络(ANN)经历了长期的发展,逐渐形成一个相对完整的学科体系。学者们结合安理论与许多学科理论和成功应用到其他学科。这应该注意的是,第一个神经模型,提出了在1940年代,这促使许多学者研究安(8]。在1950年代早期,”赫定律提出了。本法称连接神经元和突触的强度并不是固定在一个神经网络。这nonfixation建立神经元之间的链接和信息是存储在连接权重。本法奠定了基础建立神经网络的学习功能(9]。在1950年代中期,一个推理引擎模拟的行为和条件提出了发射。这种推理引擎是由信号处理单元组成的。这是应用于自适应模式识别。该模型能反映实际的神经网络的工作原理10]。在1960年代末,神经网络的研究成果被质疑安研究的热潮。学者认为,当前安只能解决简单的线性问题,但是他们不能有效地解决多层网络的问题。自那时以来,学者们的研究安了一段时间的低潮(11]。

1982年,Hopfield网络模型理论是指出。学者已经证明了ANN模型可以在一定条件下达到一个稳定状态。在这种理论的影响下,许多研究学者重新加入安学习的热潮。研究神经网络理论已经逐步走出低潮,对文艺复兴时期12]。在1980年代,研究安在世界上不同的国家逐渐恢复。中国学者也加入了研究热潮的安。在1990年代,第一次学术会议在中国举行,神经网络的研究是一个新的开始安和神经计算机在中国(13]。自1990年代以来,国内外学者不断开发和改进神经网络研究领域。他们特别关注的研究领域的神经网络非线性控制和取得长足发展14]。安经过几十年的发展,已经取得丰硕成果等领域的自动控制、模式识别、辅助决策、信号处理、人工智能(AI)。目前,安主要用于印刷和手写字符识别、语音识别、签字识别、指纹识别、人脸识别和图像处理。

发现安在会计领域的应用已经大力发展创新经济的背景下通过文献的收集。然而,仍然有问题,如人力和物质资源的大型消费发生的经济业务活动的会计要素确认的会计信息系统(AIS)。在此基础上,本文使用ANN技术在人工智能算法来构造一个模型对各种经济业务数据在会计确认。创新,它采用的是反向传播(BP)安理论探讨会计领域和人工智能的模式识别功能适用于会计要素确认过程,实现跨应用不同的理论。本文旨在帮助会计领域进一步发展的实现模型,该模型将消耗更少的会计业务数据。可以缩短我们的研究的主要观点如下:(i)研究知识经济对会计的影响创新和创新经济;(2)经济业务的会计要素确认的过程在传统AIS进行了分析;和(3)会计要素确认的模型是通过结合构造反向传播(BP)神经网络(NN)理论和人工智能(AI)算法。

本文的其余部分以以下方式结构。节2,我们将讨论各种方法以及知识经济和会计的创新。AI和BP神经网络的应用进行了讨论。节3,一个自动会计确认模型提出了基于摘要模型。实验设置和获得的结果进行了分析4。最后,部分5总结了纸脱落灯在未来的研究。

2。背景和方法

2.1。知识经济与会计创新

2.1.1。知识经济的特征

知识经济是建立在知识和考虑当前的科学和技术学习的基本组件。事实上,它是一个经济建立在建筑、包装、实践,和损耗所需的知识,细节,和统计。社会经济由产业结构分类,它可以分为农业经济、工业经济和知识经济。农业经济投资于土地和劳动力。工业经济资本和设备投资,而知识经济投资知识和信息(15]。知识经济的特点的具体内容如图1。

2.1.2。知识经济的影响在会计的创新

根据各种特征和特性相关的知识经济时代,知识经济的影响在会计创新表现在五个方面,如图2。这包括会计手段的创新、理论、内容、财务报告和会计教育至关重要。

2.2。人工智能算法在会计领域的应用

2.2.1。BP人工神经网络模型

(1)。BP神经网络(摘要)结构。拓扑组织的角度来看,BP神经网络是一个典型的和转发分层网络,分成三个不同的层次,即。,输入层、输出层和隐藏层。神经元节点没有连接在同一层的网络的隐层BP网络可以有一个或多个层(16]。图3显示了三层BP人工神经网络结构和经典原型。

在图3,点我网络的输入层神经元。此外,节点j是隐藏层神经元和隐藏层的数量可能不同网络的深度。类似地,节点k是输出层神经元。安后的输入层由外部环境刺激(如经济业务数据需要处理),每个输入层传送刺激信号,随后隐藏层。内部信息处理中心,隐藏层是非常重要的模式识别功能摘要模型。有一个现有的输入模式X_π,每个输入的隐藏层可以表示为如下方程: 在哪里隐层节点的权重系数j和输入层节点我,节点的输出矢量值吗我。如果节点的阈值j是 ,激励功能是乙状结肠,一个= ;然后,节点的输出值j计算使用以下方程:

安的输出产生最终的输出向量,输入值的节点k输出层是由以下方程:

如果输出层节点的阈值k是θ_k,隐藏层和输出层之间的传递函数是乙状结肠,和B=我_pk−θ_k;然后,节点的输出矢量值k是由以下方程: 在哪里是最终的输出向量由输出层,然后呢e代表了常数。

(2),BP算法训练过程。摘要算法可以分为正向传播和英国石油(BP)技术。向前传播的传播网络模型意味着输入样本从输入层到隐层单元,最后到输出层。在信号传输和处理的过程中,上层神经元的输出仅影响较低的层的神经元。输出结果值时,神经网络将比较实际输出值与期望输出值。如果有实际结果和预期的输出值之间的误差,然后网络模型输入反馈调整的过程。误差信号值是反向传播转发传播路径,和神经元之间的连接权重系数修正。之间的误差信号最终的实际输出和期望输出达到预期的设置(17]。

ANN算法中使用的会计要素分类过程主要分为训练样本和模式识别。第一步是选择适当的训练样本。训练样本是指经济业务活动的经济特征属性数据,区分他们的类别,使机器能够区分不同的经济业务活动。许多ANN模型训练根据实际收集的经济和业务数据。现有的研究表明,训练样本的数量和质量大大影响的效果和影响安作为一个分类器,和样本类别特征向量的选择影响分类结果。第二步是模式识别。区分经济业务活动的经济特性类别作为输入向量。会计分录的业务流程得到作为输出向量的值通过查找相关的会计准则。图4显示了神经网络的信息传播途径。实线所代表的一个是工作信号,这是传播从经济业务数据转发给会计分录。另一种是误差信号由虚线,即反馈传播误差信号的会计分录。下的会计分录对应的经济业务活动和会计准则是通过连续反馈训练的神经网络18,19]。

(3),BP算法的计算步骤。利用BP人工神经网络的学习步骤如图所示5。

第一步是输入训练样本(Xk,Y∗k),k= l, 2,…N。第二步是建立网络模型结构。应该指出,训练样本的输入向量决定节点的数量在该网络模型的输入层。同样,向量定义了训练样本输出总额决定了网络的输出层节点。第三步是输入网络模型参数,例如,学习速率η和允许的误差ε。训练样本的序列号k= 1,初始化模型的迭代的数量t= 1。第四步是获得kth训练样本(Xk,Y∗k),Xk=(x_{1 k},x_{2 k}、…x_nk),Y∗k=(y∗_{1 k},y∗_{2 k},…,y∗_可)。第五个步骤是开始向前传播的计算X_k,每个节点的输出输入层的计算是由以下方程:

第六步是计算每个节点的输入和输出的每一层都使用以下方程,分别。

在方程(6)和(7),l= 2,…l和j= 1,2,…米。第七步是,如果任何样本训练样本的K一个错误值E_jk≤ε和j= 1,2,…米,学习过程终止。相反,该模型执行误差反向传播和体重校正调整神经元之间。最后一步是计算误差反向传播(20.]。

(4)摘要利用分类的工作过程。当BP人工神经网络应用于自动会计要素确认的建设机制,其工作原理可分为以下几点:(i)准备阶段,(2)学习阶段,(3)分类阶段(21,22]。在每个阶段这三个阶段,具体步骤如下:(1)准备。第一个是准备阶段。准备阶段的任务是训练样本的选择和确定网络的初始权值和参数模型。训练样本通常是典型的经济特征向量的值每个类别在经济业务活动分类。网络结构的确定意味着当会计要素的分类,节点的数量,按输入层,一般选为业务活动的经济特征向量的数量。在输出层节点的总量是一样的类别区分会计分录。此外,选择在隐藏层节点及其数量可以根据经验。没有特定的和精确的理论指导17]。初始权值和控制参数的确定网络意味着计算机的随机函数可以生成的初始权重矩阵安。网络的分类模型需要控制参数如准确性、周期的最大数目,或学习因素,也可以选择基于经验(23]。(2)学习。第二个是学习阶段。在这个阶段,训练样本是美联储的反应到该网络模型进行训练,和更新网络加权函数选择的训练样本。训练样本输入意味着经济业务特征向量的值经过每一个隐藏层。此外,在每一层取得实际的输出值和错误值在输出层(24]。更新网络加权函数意味着,如果实际的输出误差值满足参数要求,模型停止训练(25,26]。否则,该模型将回到第一步,直到输出满足要求。如果周期的数量超过了最初的最大数量的周期,训练并不像预期的那样。神经网络停止训练和重复训练的第一步通过设置新的模型参数。(3)分类。最后是分类阶段。这个阶段是自动分类过程确认的会计要素的经济业务活动的帮助BP网络模型的结果。新的经济业务活动的特征属性值计算依次根据模型权重系数在训练过程中积累起来的。此外,每个会计条目输出经济业务事件与最小的误差分为类别根据实际输出值之间的比较和预期的输出结果。应该指出,BP网络有一些缺陷,比如,容易陷入局部最小值,非常难以确定网络结构,更重要的是收敛速度慢。在实际的会计确认过程,许多重复往往需要获得令人满意的分类结果(27]。

2.2.2。分析和设计的基于BP网络会计确认机制

(1)自动根据摘要会计确认过程。在互联网经济业务活动的数据标准化,AIS自动收集相关业务的原始凭证或协议并将它们存储在数据库系统的事件凭证。电脑自动会计确认会计信息处理平台将这些标准化的数据转换成根据相关信息(28,29日]。图6演示了会计要素的确认过程的基础上,提出了BP人工神经网络模型。

(2)输入和输出向量分析的自动基于摘要的会计确认。在互联网环境中,经济业务活动主要包括内部业务和外部业务。所涉及的经济实体企业采购和销售包括供应商、买家,物流公司,银行。从特定的在线存储事务过程中,所涉及的会计分录商品采购业务主要包括自动生成的触发机制或协议购买商品的发票和付款通知书。根据以上信息,自动会计确认构建了基于BP人工神经网络模型。输入矢量分析在采购付款业务链接显示在表1。

从业务流程的分析,输入向量在商品采购流程包括商品名称,商品代码,发票类型、供应商、部门名称、销售人员。商品采购付款环节的输入向量包括供应商、部门名称、销售、结算数量,结算方法,货币,汇率,和数量。

此外,共有62个输入向量在经济业务可以使用相同的方法分析销售收集业务,固定资产采购付款业务,和其他类型的企业。

经济和商务活动发生后,会计执行过程根据获得的原始凭证信息生成会计分录,用作预期输出的神经网络模型,如表所示2。

(3)输入和输出设计。输出结果所产生的会计信息系统或提供给用户。输出设计的目的是反映系统的输出信息准确、及时。信息可以满足用户的需求,直接关系到系统的使用效果和系统开发的成功。适当的输入表单或向量决定根据不同的经济和商业活动的特点。输入设计的目的是为了确定安输入值。根据网络模型的固有特征,会计信息智能处理平台具有稳定的结构和模式识别是训练有素的。在实验中,经济和商业相关的数据捕获网上购物交易活动的特征作为网络的输入向量模型根据实际的事务。此外,不同的会计分录是作为期望输出值进行模型训练根据不同的业务会计处理的结果。

3所示。自动的基于摘要会计确认模型

3.1。BP网络结构设计

本文采用基本的三层BP人工神经网络模型。最后决定,62年的经济特征选择作为输入向量通过分析业务流程,所以在输入层节点的数目是62。在输出层节点的数目等于数量的不同的会计分录类型分为结果。有13种会计分录在这项研究中,因此在输出层节点的数目是13岁。隐层节点数的选择,隐层节点的数量设置条件下的全面考虑到误差精度和网络结构的复杂性。通常,全球错误往往是最小的或小于预定的容许误差,这将被用作一个指标的选择隐层节点的数量。最后一步是确定激发函数。神经网络的激励函数选择这里是乙状结肠的对数函数。乙状结肠函数一阶导数连续可微的。三层的摘要,该地区除以乙状结肠激发函数由一个非线性超平面,而不是一个线性划分。 This excitation function has a smooth and soft arbitrary interface, so its classification is more reasonable and accurate than the linear excitation function. Moreover, the model has good fault-tolerant characteristics.

3.2。BP网络学习设计

设计的BP网络学习,首先是初始重量的选择一个的模型。网络模型的初始权重的设置通常是随机生成的一个固定的范围内根据均匀分布。这个固定的范围是0到1之间。初始权值的大小影响模型的收敛速度和局部最小值的预防。因此,初始值将根据具体的网络模式和不同的训练样本的实际情况。第二是学习速率因子的决心η。本文选择一个小的学习速率的因素η确保培训结果的收敛性。的初始值的选择η是一样的,正常的算法,就定义了一个正数在0和1之间。最后一步是全球的选择错误E。摘要错误阈值是预先确定的根据实际情况提出了BP网络的训练过程原型。事实上,当误差阈值设置小,训练效果好。然而,网络收敛的速度降低,但训练次数增加。如果E大,正好相反。

3.3。仿真实验设计

本文使用MATLAB软件建立一个摘要模型给定的参数描述,即。(62在输入层节点,13在输出层节点,我们假设1隐层)。初始重量的参数值一个= 0.1,学习速度η= 0.1,全球有网络错误E= 0.000001。

4所示。结果和分析

4.1。训练BP网络模型的结果

这里的BP网络模型构造训练通过MATLAB平台,并获得结果如图7。

从图7利用BP人工神经网络,构造,不同经济业务活动的输入值对应于不同输出值的会计分录。有曲折的曲线,但输入值持续增加与业务活动。会计分录的输出值也在增加,并且一直在区间[0,0.14]。

4.2。自动的影响会计确认模型基于摘要

图8揭示了仿真测试误差结果通过MATLAB平台获得的经济和商业活动的会计确认数据。

在图8模型模拟和测试时,不同的经济和商业活动的模拟错误数据是0.21%,0.01%,0.23%,0.01%,0,0.01%,0.13%,0.01%,0.01%,0.02%,0.01%,0.01%,分别和0。整体的误差不超过0.3%。上述数据表明,该模型具有较高的精度和可靠性。

5。结论和未来的工作

目前,存在一些问题在会计要素的确认链接的发生经济业务活动AIS。因此,本文将摘要技术集成到会计领域。此外,一个自动会计确认模型结合经济业务会计的范围。模型的仿真分析表明,建立的BP人工神经网络具有良好的训练效果,和整体测试误差小于0.23%时自动基于摘要用于会计确认模型模拟数据。这表明,模型具有较高的精度,可靠性和适用性。缺点是,业务覆盖不够宽,和基本的会计理论中的会计分录不能一对一的讨论分析了商业联系。此外,案例的内容不够丰富,需要补充。

本文将进行扩展研究和讨论上述问题在未来。这项研究的决心是建立一个自发的识别机制,数据输入和输出会计信息在经济业务活动有效地处理业务在电子商务活动中生成的数据,并提供一个选择实时会计信息的输出。在未来,我们将比较其他深度学习技术在大量数据。激活功能的影响结果也应该调查。最后,本研究进行了数据集,由几种属性和记录。在未来,更大的数据集应该用于推广获得的结果在这工作。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。