协同管理软件,财务管控解决方案

在企业的财务信息管理方面,存在着诸多问题,鼎捷软件的财务管控解决方案为企业的协同管理软件中的财务管控提供更好的解决方案。电子报销的难题电子报销不能仅仅从纸上搬到电脑上,如何既合理又高效的解决电子报销的问题,鼎捷软件的财务管控解决方案有如下措施:1、预算管控方面,解决方案通过判断预算是否超出预算、对重大费用提前申请并锁定预算、预算不足时可以调整预算三方面来实现预算的管控。2、财务系统对接方面,报销结果直接进入财务系统,无需手工录入凭证;报销与借款冲销,实现关联管理。3、在费用的追溯管理方面,从公司、成本中心、科目、时间四方面查询和统计费用;从预算和费用两方面追溯每一笔报销     

基于图像识别的移动端原始凭证电子化智能填单系统

为实现原始凭证的自动电子化,提出一种基于图像特征的原始凭证自动分类方法,根据规则假设树的凭证版面分析,设计一个能应用于手机、pad等移动设备的原始凭证电子化智能填单系统。在网上报销时,只需对准原始凭证扫描移动设备,即可将凭证信息自动录入到财务信息化系统,不仅能消除因人力录入造成的时间、资源浪费,更保证原始凭证与网上报销流程中每笔业务的账实相符。实验结果表明,该方法的凭证分类正确率为88.38%,智能填单正确率为87.22%,平均每张凭证的处理时间为5.042 s,具有较高的经济价值和应用价值。     

基于智能财务的高校全场景报销模式设计与实现

随着高校教学、科研规模的逐年增大，教学和科研过程中的经费报销由于种类繁多、项目复杂而传统的财务报销流程又冗杂、低效成为一大难题。本课题针对以上现象，结合财务实际工作需求，将智能技术用到财务报销工作，搭建全场景财务报销平台，解决报销工作面临的问题。运用OCR票据识别、电子签章以及RPA人工智能等技术搭建高校财务系统。通过平台建设，为师生提供集票据收集验证、选取报销、在线审核、生成凭证于一体的一站式报销服务，让报销的教师通过一部手机即可完成报销业务。有效提升高校财务治理效能，提高各高校财务工作处理效率，推动高校智能财务管理工作的高质量发展，为智能财务报销体系在高校的实践应用提供参考。     

记账凭证数据录入的逻辑控制技术

编制记账凭证是对原始会计数据的初次分类加工,是构建会计信息系统的基础性环节,该环节产生的数据是会计信息产生的唯一数据源,其重要性不言而喻。为保障会计信息的准确性,必须确保录入记账凭证表的数据完整准确。在应用Excel进行企业基础数据处理时,利用数据有效性条件设置和单元格公式的构造,可以有效阻止违反记账凭证编制规则的数据进入到记账凭证表中,从而保证录入质量。     

基于改进全变分的ESPI图像的降噪

图像的降噪是是各种图像信息提取和特征识别的前提。真实的电子散斑干涉条纹图中含有大量的噪声,对后续图像的相位提取造成了一定的影响。本文提出一种基于改进全变分(TV)的电子散斑干涉条纹图降噪方法。首先对图像进行小波分解,然后针对低频图像中含有原始图像绝大部分信息的特点,对小波分解后的图像进行TV降噪处理。实验表明,该方法可有效地去除电子散斑干涉条纹图中的大量噪声,图像的峰值信噪比有明显的提高,提高了散斑图像的降噪效率。     

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。     

基于树模型的财务报销审批预测

[目的]针对目前科研院所财务报销不规范导致的反复审批等问题,本文研究通过预测结果提升报销审批效率.[方法]本文针对财务报销审批进行业务建模,形成可机器理解的报销审批脱敏数据,并根据实际业务特点构造变量特征与标签,采用随机森林对重构后的变量进行重要度分析.使用决策树、随机森林、梯度随机树以及XGBoost四种分类算法对报...     

基于Web Service的科研生产管理系统与财务系统集成技术研究

科研生产管理系统和财务系统存在密切业务交互,但两个系统的基础数据不统一,财务凭证数据传递需要人工进行导入,导致人工映射基础数据和数据录入的工作量大,因此提出一种基于Web Service的系统集成方案。该方案实现了科研生产管理系统和财务系统基础数据的统一,以及月末结账生成凭证数据的同步,打通了物资管理和财务核算的业务链路,提高了业务部门与财务部门之间的数据流转效率及财务数据录入的准确度,使财务人员在月末结账后繁重的凭证处理工作中得到了很大程度的解放。     

小波分析在飞参数据降噪中的应用

在飞行事故调查中,飞行参数是依据,飞参数据各通道参数中存在的干扰噪声,不同程度的影响着实际中的应用,利用传统的降噪滤波方法失真度大,降低了数据的可信度.小波分析可对信号进行多分辨分解及重构,具有提取数据高频和低频部分特征的能力.在分析小波分析信号降噪方法的基础上,以Matlab为平台分别利用快速傅里叶变换和小波分析对某型飞机的飞参数据的俯仰角通道数据进行了降噪处理进行仿真.结果表明小波分析降噪性能优异,可信度高.方法已在基于飞参数据的多项应用中得到推广.     

数字图书馆中信息采集子系统的设计与实现

电子文档的信息提取是建立数字图书馆的基础。论文主要介绍一个数字图书馆的信息采集子系统。它以PDF文件为提取对象,由全自动化录入和半自动录入两部分构成。全自动录入融合了基于规则和自动机两种提取方法的优点,具有速度快、准确率高等特点;半自动录入采用在AdobeAcrobat内部加入plug-in(插件)的方法为用户提供友好的使用界面,使用户可以方便地进行手工录入。     

基于Wavelet-CNN的电磁炮过靶信号识别方法

电磁炮测试中,炮口产生强烈的火光信号以及振动等噪声,会严重干扰电枢特征信号的识别处理;为了提升对电枢信号的自动识别率,提出了一种基于小波变换和卷积神经网络(CNN)相结合的电枢信号识别方法;利用小波变换对过靶信号进行小波阈值去噪,进而重构信号,然后利用CNN提取信号的深层次特征,通过CNN的全连接层输出信号的分类结果;当输入信号为电枢信号时,对其作最大值检测获取电枢信号的特征点;实验结果表明,所提方法对比传统小波阈值滤波法在特征点自动拾取准确率上提升了5.88%;该算法对电磁炮电枢过靶信号的滤波、识别具有一定的参考意义。     

多模态融合的特征提取方法在SA检测中的应用

为解决睡眠呼吸暂停(Sleep Apnea,SA)检测中使用传统的机器学习方法需花大量工作在特征工程上导致效率低下,以及模型多以单通道信号进行特征提取存在识别效果不佳的问题,提出一种基于时序卷积网络(Temporal Convolutional Network,TCN)和堆叠稀疏降噪自编码器(Stacked Sparse Denoismg Auto-Encoder,SSDAEs)的多模态特征融合模型来实现特征自动提取。该模型以心电和呼吸2种信号作为输入,首先利用TCN网络提取输入信号的时序特征,然后通过SSDAEs提取信号的浅层与深层的高维特征,对于不同特征空间的心电信号特征和呼吸信号特征采用一个小型神经网络进行特征融合,将该模型与随机森林算法结合,用于解决SA片段检测问题。实验结果表明,该方法在SA片段检测的准确率、灵敏度、特异性分别是91.5%、88.9%、90.8%。通过与以往相关研究对比,验证了该模型的SA检测性能更好,效率更高。     

基于多图像先验知识的噪声水平评估算法

为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值, 之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明：较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力.     

基于收缩极限学习机的故障诊断鲁棒方法

为降低特征噪声对分类性能的影响,提出一种基于极限学习机(extreme learning machine,ELM)的收缩极限学习机鲁棒算法模型(CELM)。采用自编码器对输入数据进行重构,将隐层输出值关于输入的雅克比矩阵的F范数引入到目标函数中,提取出更具鲁棒性的抽象特征表示,利用提取到的新特征对常规的ELM层进行训练,提高方法的鲁棒性。对Mnist、UCI数据集、TE过程数据集以及添加不同强度的混合高斯噪声之后的Mnist数据集进行仿真,实验结果表明,提出的方法较ELM、HELM具有更高的分类精度和更好的鲁棒性。     

基于DAE和GRU组合的流量异常检测方法

流量异常检测能够有效识别网络流量数据中的攻击行为,是一种重要的网络安全防护手段。近年来,深度学习在流量异常检测领域得到了广泛应用,现有的深度学习模型进行流量异常检测存在两个问题:一是数据受噪声影响导致检测鲁棒性差、准确率低;二是数据特征维度高以及模型参数多导致训练和检测速度慢。为了在降低流量数据噪声影响的基础上提高检测速度和准确性,本文提出了一种基于去噪自编码器(Denoising Auto Encoder,DAE)和门控循环单元(Gated Recurrent Unit,GRU)组合的流量异常检测方法。首先设计了基于DAE的流量特征提取算法,采用小批量梯度下降算法对DAE进行训练,通过最小化含噪声数据的重构向量与原始输入向量间的差异,有效提取具有较强鲁棒性的流量特征,降低特征维度。然后设计了基于GRU的异常检测算法,利用提取的低维流量特征数据训练GRU,从而构建异常流量分类器,实现对攻击流量的准确检测。最后在NSL-KDD、UNSW-NB15、CICIDS2017数据集上的实验结果表明:与其他的机器学习、深度学习方法相比,本文所提方法的检测准确率最大提升了18.71%。同时,本文方法可以实现较高的精确率、召回率和检测效率,同时具有较低的误报率。在面对数据受到噪声破坏时,具有较强的检测鲁棒性。     

高频子带特征图像的人工智能配准仿真

在很多的应用领域上,都要求图像的配准精度达到亚像素级别.传统的SIFT算法是图像配准中用来描写局部特征较为精准、可拓展性较强的一种方法,但对于图像关键点特征向量描述有着冗杂,配准精度低等缺陷.为了进一步提高图像的配准精度,提出一种高频子带特征图像人工智能配准方法.提取高频子带图像特征点,处理高频子带图像滤波,将掺杂噪声...     

结合CNN和Catboost算法的恶意安卓应用检测模型

针对恶意安卓应用程序检测中存在的特征维度大、检测效率低的问题,结合卷积神经网络CNN良好的特征提取和降维能力以及catboost算法无需广泛数据训练即可产生较好分类结果的优点,构建一个CNN-catboost混合恶意安卓应用检测模型。通过逆向工程获取安卓应用的权限、API包、组件、intent、硬件特性和OpCode特征等静态特征并映射为特征向量,再在特征处理层使用卷积核对特征进行局部感知处理以增强信号。使用最大池化对处理后的特征进行下采样,降低维数并保持特征性质不变。将处理后的特征作为catboost分类层的输入向量,利用遗传算法的全局寻优能力对catboost模型进行调参,进一步提升分类准确率。对训练完成的模型,分别使用已知和未知类型的安卓应用程序数据集作实际应用测试。实验结果表明CNN-catboost模型调参用时较少,在预测精度和检测效率上也展示出较为良好的效果。     

一种新的基于局部轮廓特征的目标检测方法

针对复杂场景中背景复杂、目标周围噪声多及目标只占图像中较小部分而难于检测的问题,提出一种新的基于局部轮廓特征的检测目标方法.该方法首先利用改进的全局概率边界算法 (Globalized probability of boundary, gPb) 算法提取图像的轮廓,然后应用最大类间方差法 (Otsu)进行自动阈值处理得到图像的显著性轮廓; 再提取显著性轮廓的k邻近大致直线轮廓段(k connected roughly straight contour segments, kAS),并以kAS作为局部特征,用于复杂场景中的目标检测.该算法结合 gPb 算法和 Otsu 提取轮廓的显著性轮廓,去除了目标附近的大量噪声边界,有效地提高了检测效率.同时,在检测阶段,测试集与 训练集中提取的不相关特征数目也得到较大减少,从而提高了检测的精度.多组实验结果均表明本文方法的有效性.     

特定虚拟图像局部多变特征识别仿真研究

采用当前方法识别特定虚拟图像中存在的局部多变特征时,识别多变特征所用的时间较长,得到的识别结果与实际不符,存在识别效率低和识别准确率低的问题。提出特定虚拟图像局部多变特征识别方法,在不改变原有样本协方差结构的基础上,采用PCA降维算法调整类间离散矩阵和类内离散矩阵,最大化类间聚类、最小化类内距离,去除特定虚拟图像中存在的无用数据和冗余信息。融合非局域全变分和结构张量构建图像去噪模型,利用图像去噪模型去除特定虚拟图像中存在的噪声。对预处理后的特定虚拟图像进行Contourlet变换,在不同方向、不同尺度上提取特定虚拟图像的变换系数,构建语言变量,通过模糊逻辑方法计算模糊区域在模糊特征空间中对应的激活强度值,获得特定虚拟图像局部多变特征向量,将特征向量输入支持向量机分类器中,实现特定虚拟图像局部多变特征的识别。仿真结果表明,所提方法的识别效率高、识别准确率高。     

基于特征向量的遥感影像自动分类研究

为了实现高分辨率遥感影像自动分类及进一步提高非监督分类的精度和效率,提出了一种训练样本自动选取的面向对象自动分类方法。首先利用均值漂移算法对遥感影像进行分割,获取同质性分割单元;然后对分割对象进行多特征（光谱特征、纹理特征和形状特征）提取,基于特征向量的几何距离进行训练样本自动选择,进而利用支持向量机分类器得到分类结果。实验研究表明,提出的面向对象自动分类算法不但可以利用影像对象丰富的特征信息,而且较好地避免了“椒盐现象”,使自动分类的精度和效率得到较大提升。