基于模糊神经网络和遗传算法的筛选方法技术

本发明专利技术提供一种基于模糊神经网络和遗传算法的筛选方法，属于计算机应用技术领域，本发明专利技术主要是通过模糊神经网络模型筛选出结果集，后根据遗传算法并发、概率寻优的特点，进行结果集的相对最优查找。该方法主要包含两个部分：构建模糊神经网络模型和借助遗传算法的特性查找。实现高效的计算和筛选，便于进行一些当前难以处理的复杂问题近似解，提高筛选速度，大大加快了发票筛选的过程。

【技术实现步骤摘要】
基于模糊神经网络和遗传算法的筛选方法
本专利技术涉及计算机应用技术，尤其涉及一种基于模糊神经网络和遗传算法的筛选方法。
技术介绍
不同企业的进项发票发生量和发生时间都不相同，所以企业在进行税务筹划时需要根据当期的需求进行发票的筛选，选出最优的发票组合，还不能让部分发票过期。所以需要管理软件能够全面的、灵活的进行发票筛选和组合。
技术实现思路
为了解决以上技术问题，本专利技术提出了一种基于模糊神经网络和遗传算法的筛选方法，以全面的、灵活的进行发票筛选和组合。本专利技术的技术方案是：一种基于模糊神经网络和遗传算法的筛选方法，通过模糊神经网络模型筛选出结果集，后根据遗传算法并发、概率寻优的特点，进行结果集的相对最优查找。主要包括两个步骤：首先是建立模糊神经网络模型进行发票筛选，其次使用遗传算法进行发票组合，其中：建立模糊神经网络模型：首先是需要选出适合企业的评价指标，为了能够将指标进行统一标准的判断，要将指标进行量化，根据指标通过一定的条件形成模糊规则，最终形成模糊神经网络模型并将发票分为将发票分为“迫切期望认证”、“期望认证”、“可认证可不认证”、“不期望认证”、“不可认证”五个等级，该模型设计的模糊神经网络由五个层级构成，分别为：输入层、模糊化层、模糊推理层、去模糊化层和输出层。其中，输入层的作用是作为接收外部输入信号的主体，并将输入值传递给模糊化层的模糊单元；模糊化层按照之前形成模糊规则处理输入的信息并通过模糊神经元将信息转化为模糊度，对模糊信息进行预处理；模糊推理层是前向型模糊神经网络的关键层，前后链接这模糊推理的前提和结论，其网络参数即为模糊推理过程中前提变量的基本模糊状态和结论变量的基本模糊状态之间的模糊关系,他们是由具体的问题确定的；去模糊化层接受经中间层处理的数据,并按照模糊度函数将这些数据进行非模糊化处理；输出层最终筛选出所适合的发票结果集合。遗传算法组合：将通过模糊神经网络筛选出的发票进行进一步的筛选组合，使各个发票能够具有相同的选择概率且最终选择出的发票集合总金额符合用户预期。使用锦标赛选择法，借助遗传算法的优点，对模糊神经网络筛选出的优化解进行进一步的寻优，通过概率性和并发性，避免筛选过程收敛于局部最优解。附图说明图1是本专利技术的流程示意图。具体实施方式下面对本专利技术的内容进行更加详细的阐述：本专利技术是按照以下方式实现的，首先是建立模糊神经网络模型进行发票筛选，其次使用遗传算法进行发票组合，其中：1、建立模糊神经网络模型：在整个筛选过程中，建立模糊神经网络模型是最为重要的，因为其决定了组合的发票的数据集合。其目的是筛选出最符合条件的发票的数据集，其中：1.1)评价指标确认：要想筛选出最符合用户需求的发票集合，首先要确认用户筛选期望认证的发票的标准，因为指标体系是由单项评价指标组成的有机整体，可以反映评价对象的整体情况，并且其体系运作简单灵活，可操作性强，每个指标都可以有明确的量化的衡量和计算方法，可避免因为主观因素导致的评价偏差，所以我们选择使用评价体系来做为决策依据。考虑到指标体系构建的全面性、科学性、系统性、可操作性和客观公正性原则，最终选择发票开票日期、发票价税合计、供应商作为评价指标发票基础信息存储在FPInfo表中，结构如下：1.2)评价指标量化：由于企业对于各个指标的重视程度不同，且各个指标之间存在数量纲、数量级的不同等问题，并且既有定性指标又有定量指标，为了使各个指标在筛选过程中具有可比较性，将评价指标进行量化处理，根据企业对于评价指标实际使用，将评价指标分为正向指标(越大越好)、反向指标(越小越好)。对于正向指标的量化处理可采用(当前值-最小值)/(最大值-最小值)的方式算得，反向指标的量化处理可采用(最大值-当前值)/(最大值-最小值)的方式算的。1.3)评价指标模型的建立：通过对于企业税务筹划的研究，根据企业对于发票认证的期望程度，将发票分为将发票分为“迫切期望认证”、“期望认证”、“可认证可不认证”、“不期望认证”、“不可认证”五个等级，并以此为依据建立5条模糊规则，以此作为构件模糊神经网络的基础。该模型设计的模糊神经网络由五个层级构成，分别为：输入层、模糊化层、模糊推理层、去模糊化层和输出层。其中，输入层的作用是作为接收外部输入信号的主体，并将输入值传递给模糊化层的模糊单元。模糊化层按照之前形成模糊规则处理输入的信息并通过模糊神经元将信息转化为一定的模糊度，对模糊信息进行预处理，模糊推理层是前向型模糊神经网络的关键层，前后链接这模糊推理的前提和结论，其网络参数即为模糊推理过程中前提变量的基本模糊状态和结论变量的基本模糊状态之间的模糊关系,他们是由具体的问题确定的；去模糊化层接受经中间层处理的数据,并按照模糊度函数将这些数据进行非模糊化处理；输出层最终筛选出所适合的发票结果集合。此模型借助神经网络的大规模并行分布式结构和神经网络的学习能力以及由此而来的泛化能力实现高效的计算和筛选，便于进行一些当前难以处理的复杂(大规模)问题的近似解。2、遗传算法组合：通过上述的模糊神经网络可以筛选出大量合适的发票，为了能够得到一个较优的组合，我们使用遗传算法来进行问题优化。因为遗传算法是从许多点开始的并行操作，并非局限于一点，所以在大量数据的筛选过程中可以有效地避免优化结果收敛于局部最优解，而且由于遗传算法的并行计算的特点，其可以通过大规模的并行计算来提高筛选速度，大大加快了发票筛选的过程。并且遗传算法的寻优规则是由概率决定的，并非确定性的，所以可以保证所有发票具有相对平等的可选择性。其中：2.1)确定选择策略：根据企业再认证筹划中的具体需求，所筛选的发票要尽可能贴近企业期望的金额，所以选择锦标赛选择法进行筛选，锦标赛选择法选择策略是每次从集合中取出一定数量的发票，然后选择其中最合适的一个进入子代种群，重复选择，直到新的种群规模达到期望的值。2.2)确定每次选择的个体数量：以企业当期的发票数量，结合企业历史发票的金额范围和期望抵扣金额，预测一个大致的抵扣数量。2.3)个体选择：为了避免小额发票或大额发票因为金额过小或过大而永远不会被选择，所以在个体选择时随机选择个体(每个个体的概率相同)，之后根据每个个体的适应度值，选择其中适应度值最好的发票进入子代种群。然后重复进行个体选择，直到种群数量达到预期数量。2.4)期望处理：当最终种群确定后，查看最终发票集合的金额和企业期望抵扣的金额差值，当发票结果集的金额小于企业期望抵扣金额时，再根据差值查找下是否有合适的发票，如果存在，则补充进发票集合。最终形成符合期望的发票集合。2.5)具体筛选方式代码实例：本文档来自技高网...

【技术保护点】
1.基于模糊神经网络和遗传算法的筛选方法，其特征在于，通过模糊神经网络模型筛选出结果集，后根据遗传算法并发、概率寻优的特点，进行结果集的相对最优查找。

【技术特征摘要】
1.基于模糊神经网络和遗传算法的筛选方法，其特征在于，通过模糊神经网络模型筛选出结果集，后根据遗传算法并发、概率寻优的特点，进行结果集的相对最优查找。2.根据权利要求1所述的方法，其特征在于，主要包含两个步骤：首先是建立模糊神经网络模型进行发票筛选，其次使用遗传算法进行发票组合，其中：1）建立模糊神经网络模型：是企业按照条件筛选较优发票集合的模型，包括1、1）根据企业对某张发票的认证的期望程度，将发票分为“迫切期望认证”、“期望认证”、“可认证可不认证”、“不期望认证”、“不可认证”五个等级，并以此为依据建立5条模糊规则；1、2）该模糊神经网络中包括的筛选指标有：开票日期、发票金额、供应商，并结合其重要性赋予不同的权重；1.3）本模型分为五层结构，分别为：输入层、模糊化层、模糊推理层、去模糊化层...

【专利技术属性】
技术研发人员：刘晓飞，
申请(专利权)人：浪潮通用软件有限公司，
类型：发明
国别省市：山东,37