基于“云预算”的高校专项资金项目库管理系统构建的研究

曾海燕

（湖南环境生物职业技术学院，湖南 衡阳 421005）

0 引言

国内外十分重视“云计算”，美国、日本等国家对“云会计”认知早且发展快[1]。2008年美国进行“云会计”软件设计，其中软件提供商由未达到10家直至30余家；2013年，澳大利亚利用“云会计”办公，通过数据分析和筛选，为企业提供财务数据指导。在我国，“云计算”发展较发达国家慢，目前，对“云会计”，部分企业经验逐渐丰富，具有了良好的体验效果。虽然很多高校逐渐信息智能化，但是很多高校普及程度低，主要源于高校存在成本低、项目实时动态掌握不足等问题，使“云会计”发展进程缓慢。如何协调好传统会计与“云会计”是当下高校发展的重要目标，所以该文从问题出发，深度剖析，为高校“云预算”的发展提供有效信息和技术支持。

1 基于“云预算”的高校专项资金项目库管理系统分析

1.1 “云预算”概述

云预算与云计算有关，即通过云计算对项目进行预算分析[2]。“云会计”起源于“云计算”，由何雪峰、陈平提出[3]，它通常由个人或是公司使用，在“云计算”下进行会计工作，它的内涵可从企业用户和软件提供商两个方面来分析，其中企业目的在于通过会计电算化系统进行数据分析，对财务会计管理现状进行分析，进而以实现企业有效管理；软件服务提供商对“云会计”的理解主要是系统的建设，其实现会计电算化。

1.2 系统的框架结构

如图1所示，高校专项资金项目库管理系统框架结构，该构架主要分为4个部分：1）识别部分。为高校专项资金项目库管理系统，也就是财务系统，通常，以传统数据为数据集，通过网站获取数据，并对其进行智能数据监控。2）数据处理。对识别的相关数据进行获取、预处理以及数据编码，数据处理指的是使用Python等编程语言对其进行异常数据监控，使用原始数据进行处理，数据处理模块可将原始数据转变为模型建立可用数据，使数据达到有效利用。而数据编码模块可编码标准化后的数据，将其输入与智能算法中，在高校专项资金项目库管理系统中实现智能识别的作用。3）识别过程。识别过程通常采用人工智能算法，对系统财务数据智能算法进行训练。4）结果与预警部分。在训练模型后，识别相应的财务数据，并对异常数据进行预警，有助于高校专项资金项目库管理系统风险评价和预警。

图1 系统的整体框架结构

其中，从识别过程到结果预警需要进行数据挖掘，将原始数据进行智能算法处理，该文主要采用神经网络算法，对其进行数据分析。

1.3 神经网络算法

1.3.1 神经网络结构

神经网络算法需从神经网络结构进行研究[4]，其中BP神经网络具有前馈神经网络特质，具备感知器功能，是一个多层感知器，BP神经网络与前馈神经网络最明显的区别在于其关注方向参数的调整，这主要由于单一感知器对非线性问题无法解决，BP神经网络可利用多层感知器解决非线性问题。如图2所示，BP神经网络存在层次划分，包括输入层……第n层，除输入与输出层外的中间层成为隐含层，其采用激活函数解决非线性问题，其激活函数数值在0～1，图2为两个隐含层的BP神经网络。

图2 BP神经网络结构图

1.3.2 隐藏层包括单元数设计

BP神经网络中的隐含层由结点数目决定[5]，如果数目过多，神经网络的表达能力会加强，反之，神经网络表达受影响，会出现网络不强壮的情况，在对高校专项资金项目库管理系统云预算分析时，可建立的模型容错率比较低。虽然隐藏层包括单元数设计时，数目过多的影响性较好，但是会导致网络训练所需时间成本变高，应采取适量数据进行网络训练，隐藏层包括单元数设计经验公式如公式（1）～公式（3）所示。

式中：I为输入层的节点数；J为输出层的节点数；H为隐藏层的节点数；k为一个1～10的整常数；P为样本数量。

2 “云预算”下高校专项资金项目库管理系统应用设计

2.1 数据集及预处理

该系统爬取主要针对大学生专项资金数据进行收集和预处理，如图3所示。

图3 系统架构图

唯一属性处理：通过Python语言建立唯一识别样本特征的方式称为唯一属性处理[6]，可包括姓名、身份证号等数据，唯一属性处理不会识别异常数据，可直接删除。其中，在语言程序中指令为data.drop，其中删除整行整列数据为“feature_name”指令，删除行可表述为“axis=0”，删除列可表述为“axis=1”。

缺失数据的处理：缺失数据的处理，顾名思义是对缺失数据进行逻辑索引，其步骤为：确定缺失值位置；采用Python语言进行处理，通过快速查找，对某一丢失特征数据进行信息索引，采用position = pandas.isnull（feature_name）语句进行逻辑索引，对缺失位置进行处理。

相关属性合并：类似于聚类分析，可使用数据运算将明显相关性数据合并为一条数据，保证数据能够明显表示，某相关特征，并删除其他数据，达到相关属性合并，该方法可以减少运算量，加快训练结果的产生。

2.2 系统数据标准化

数据标准化是系统的重要部分，它不仅能够提高其计算性能，还能够提高存储能力。另外，数据标准化在系统设计时受纬度影响，在神经网络算法非线性层次分析时，其非线性导数的函数的梯度将始终为非零。

系统数据标准化算法分析如下。

离差标准化（min-max 标准化）又名最小最大值标准化，数据处理合理范围0～1。 转换函数定义如公式（4）所示。

式中：min（X）为序列数据样本里的最小值；在实际应用中，对min-max函数算法实现见表1。通常来看，数据离散时，常态情况下数据最大最小值偏离，会导致离差标准化的应用比较广泛，如公式（5）所示。

表1 算法分析

2.3 系统识别过程

系统识别过程综合考虑高校专项资金项目库管理系统的异常数据，并分析其应用环境，在该系统中采用适应性强、技术成熟的神经网络算法进行识别，系统识别相关公式如下：1）确定神经网络输入层神经元个数，了解特征树中输入特征数量和编码位数与其之间的关系如公式（6）所示。

式中：N为特征树；Ni为第 i个特征的编码位数；Nin为输入层神经元的个数。

2）中间层的确定。在训练过程中，神经网络算法中间层通常为 1层，具有 2*Nin中间层神经元个数，其数量可根据系统需求量进行调节。3）输出层设计。需求分类个数＝输出层神经元个数，在编码时采用One_Hot方式，并采用Logsig函数作为神经元函数。

训练方法如图4所示，完成高校专项资金项目库管理系统神经网络设计，其神经网络训练过程通常将初始参数初值作为随机值，进行初始化，将给定数据中的实际数值作为数据特征向量输入，并通过神经网络算法计算各层输出以及偏差，进行权值更新，并确定其是否终止条件，如果终止就结束，不终止，就进行循环分析，即利用已处理好的数据对神经网进行训练。

图4 A送风机油泵启动功能组

图4 BP神经网络训练过程

2.4 系统结果输出

对专项资金、部门资金以及教育资金影响高校专项资金项目的3个因素进行预测分析。对具体问题进行具体分析，获取专项资金、部门资金以及教育资金的量化得分。了解量化分量数值范围，规划处理量化得分不在[0，1]，保证其在[0，1]。经由数据获取，量化得分标准值之间，可不进行专项资金X1、部门资金X2以及教育资金X3归一化处理。利用公式（1）～公式（5）归一化处理。

该文对10组训练与测试数据进行系统训练，其中有8组为训练数据，后两组为测试数据，所获得的结果课代表实际差别对比情况，即用BP网络对高校专项资金项目预测的精度。结合高校专项资金项目的需要，BP神经网络设计为输入层为3、隐含层为5、输出层为1的节点数目，最大的训练步数为500步，训练的误差为0.001，利用上述数据和参数，采用神经网络算法，进行BP网络的训练，建立模型。表2说明了采用BP网络去预测专项资金项目数目的差别。

表2 预测和实际差别对比

由表2可见，在高校专项资金平台中，搭建的BP神经网络模型，结合对比分析法，其预测具有比较高精度，可以用于对高校专项资金项目的预测。

2.5 系统功能实现

该高校专项资金项目系统包括项目管理、保障体系，同时又包括财务管理系统、校内业务系统、制成软件系统以及预算管理系统等多方面的内容，这些内容在云预算的前提下，可对财务信息化项目进度进行管理，了解财务信息化项目风险，可实现数据共享，利于高校对专项资金项目的管理。

3 结语

在云预算的背景下进行项目预测，为企业发展提供帮助。该文对高校专项资金项目系统进行研究，可通过项目数目了解高校项目开展状况，该文建立高校专项资金项目数量预测模型，并采用BP神经网络相关算法对其进行训练，对影响高校专项资金项目的项目资金、部门资金以及教育资金因素进行量化处理，得到量化数据，并对数据进行归一化处理。将专项资金项目数量作为样本搭建网络模型，该模型通过验证预测精度，了解和预测高校专项资金项目未来发展情况，该文采用BP神经网络预测高校项目的数目具有重要意义，科学预测不仅可以为工作者提供参考，而且通过有效模拟数据了解项目发展情况，通过BP神经网络分析可知，其数值并不能完全对样本进行精准分类，但是试验结果表明，该算法具有较高的准确率，在高校专项资金项目平台中，神经网络模型建立可用于专项项目前景预测，其具有较高的可行性。