هوش محاسباتی پیشرفته برای مراقبت های بهداشتی هوشمند و سلامت انسان با استفاده از یادگیری چند عکس

ساخت و ساز و تحقق مدل سیستم اطلاعات مالی مبتنی بر معدن ویژگی اطلاعات چند منبع

چکیده

سیستم های معدن اطلاعات چند منبع و فناوری اطلاعات مربوط به تجارت در حال حاضر موضوع داغ تحقیق هستند. با این حال ، برنامه ها و برنامه های تجاری فعلی از نظر کاربرد ایده آل نیستند. از آنجا که هنوز کارهای زیادی باید قبل از پشتیبانی تصمیم انجام شود ، بهتر است فقط از نظر مالی به آنها انتقال دهید. در این مقاله به بررسی بخش چند منبع اطلاعاتی که در معدن استفاده می شود و نقاط مهم تحقیق را در زمینه های انفورماتیک حسابداری ، وضعیت توسعه نرم افزار تجزیه و تحلیل مالی هوشمند ، تحقیق و وضعیت کاربرد انبار داده ها ، داده های استخراج شده و سیستم های پشتیبانی تصمیم گیری معرفی می کند. در این مقاله به بررسی ترکیب و محتوای خاص یک سیستم اطلاعات مالی با استفاده از استخراج اطلاعات برای ایجاد یک پایه محکم می پردازیم. تجزیه و تحلیل هوشمند مالی ، نظارت هوشمندانه مالی ، تصمیم گیری هوشمند مالی و هشدار اولیه هوشمند مالی چهار بخش سیستم هوشمند مالی است. سپس ساختار و پردازش سیستم اطلاعات مالی را مورد بررسی قرار داد و یک استراتژی عملکرد سیستم اطلاعات مالی را پیشنهاد کرد. با توجه به وضعیت فعلی تحقیق و کاربردهای عملی ، استراتژی های اجرای یکپارچه کم خطر و مدل های اطلاعاتی مالی ایده آل. طبق یافته ها ، دقت کلی تبعیض سیستم اطلاعات مالی بر اساس ویژگی های اطلاعات چند منبع معدن تا 95 ٪ است که 42 ٪ بیشتر از مدل سنتی است. توسعه و استفاده از اطلاعات مالی از تحقق و کاوش در مدل سیستم اطلاعات مالی بهره می برد.

1. مقدمه

صنعتی شدن ، پردازش و تصمیم گیری سه مرحله از توسعه یک سیستم اطلاعاتی است. سوابق مالی نه می تواند سطح کار و نیازهای فناوری شبکه مدرن و سوابق سازمانی را کاملاً منعکس کند و به دلیل توسعه سریع فناوری اطلاعات شبکه ، محتوای مهم آنها را کاملاً پوشش می دهد. ارتباطات نه تنها استفاده از فناوری اطلاعات بلکه تأثیر مالی آن بر شرکت را در نظر می گیرد. این متفاوت از سوابق سنتی و افراد رایانه ای است که فقط به فناوری علاقه مند هستند یا با یک مؤلفه خاص ماشین برخورد می کنند. یک سیستم پشتیبانی از تصمیم گیری مالی (FDSS) یک فرایند تصمیم گیری به کمک رایانه است که به صنعت سازندگان در بدست آوردن داده های مربوطه کمک می کند. به عنوان مثال ، مدل های پردازش و مدیریت مالی در مقیاس کوچک از نظر مدیریت اقتصادی وضعیت مالی نسبتاً ضعیفی دارند. سیستم های مالی هوشمند همزمان سیستم اطلاعات حسابداری چین را محبوب می کنند. سود این سیستم این است که می تواند اطلاعاتی در مورد کارآیی تجارت ارائه و ارائه دهد. نرم افزار مدیریت تجارت ERP همچنین دارای یک برنامه اطلاعاتی تجاری است. از یک تصمیم دشوار تا یک تصمیم علمی ، روند تصمیم گیری تکامل یافته است. اطلاعات مالی ، اطلاعات فروش ، اطلاعات خرید و اطلاعات تولید همه تحت پوشش اطلاعات تجاری قرار دارند که اطلاعات تجاری مالی را به دنیای نرم افزار مالی می آورد. اطلاعات مالی شامل توانایی شناسایی راه حل های کوتاه مدت برای مشکلات پیچیده ، توانایی آزمایش تأثیر استراتژی های مختلف ، توانایی آزمایش ایده ها و بینش های جدید ، مهارت های مدیریت خوب ، هزینه های پایین و توانایی تصمیم گیری های عینی و مهم استوادحسابرسی و اجرای اطلاعات مالی تحت هدایت این سیستم به محوریت حسابرسی و اجرای صورتهای مالی تبدیل می شود.

به عنوان شاخه مهمی از تجزیه و تحلیل داده ها در زمینه رایانه ، یادگیری ماشین به طور عمده داده ها ، قوانین بالقوه مین را تجزیه و تحلیل می کند و از قوانینی برای پیش بینی نمونه های ناشناخته استفاده می کند ، یعنی کشف و شمارش اطلاعات مفید ، دانش و حتی خرد از داده ها. به عنوان یک زمینه بین رشته ای ، یادگیری ماشین عمدتا شامل یادگیری گروه ، یادگیری نیمه نظارت ، یادگیری انتقال و یادگیری قانون است. در میان آنها ، یادگیری قانون ، به عنوان یک روش تحقیق از کشف دانش در زمینه یادگیری ماشین ، معادن الگوهای پنهان یا قوانین با اهمیت عملی از داده ها. برای مشکلات طبقه بندی ، یادگیری قانون اغلب برای قضاوت در مورد برچسب های کلاس نمونه های ناشناخته استفاده می شود. روشهای یادگیری قاعده طبقه بندی گرا به طور گسترده در زمینه های مختلف کاربردی استفاده شده است. به عنوان مثال ، در پیش بینی اطلاعات ساختاری پروتئین های بیولوژیکی ، عملکرد ساختار پروتئین را می توان با استفاده از یادگیری قانون پیش بینی کرد. در قضاوت در مورد نوع خرابی مکانیکی ، می توان با یادگیری قوانین ، چه نوع خرابی را تعیین کرد. در این مقاله از روش ویژگی های معدن اطلاعات چند منبع برای طراحی و اجرای سیستم عملکرد مالی استفاده شده است.

اول ، تحقیق در مورد فرایند توسعه اجتناب ناپذیر مورد نیاز برای پشتیبانی از محاسبات آینده ، هوش مالی ، با اهداف خاص و بلند مدت در ذهن ، مانند ایجاد بستر برای محاسبات حساب و هوش تجاری و همچنین فضای کافی برای پیگیری. دوم ، از طریق ارتقاء و اجرای سیستم های تجزیه و تحلیل مالی هوشمند ، مانند مدیریت کابین ، گزارش الکترونیکی و جداول شفاف ، دقیقاً همان چیزی است که برای آمار مورد نیاز است و همچنین یک عامل اصلی برای حسابداران است که آموزش به تدریج دگرگون می شود. سوم ، از دیدگاه مشاغل ، ایده های تحقیق ، تحول اشتغال پزشکان مالی را در عین حال از رایانه ها برای همکاری استفاده می کنند تا پزشکان مالی بتوانند پزشکان مالی را به سن اطلاعات سوق دهند.

2. کار مرتبط

در ساخت و تحقق سیستم اطلاعات مالی ، بسیاری از کارشناسان در داخل و خارج از کشور این تحقیق را انجام داده اند. ژانگ W معتقد بود که سیستم مالی هوشمند می تواند نرخ استفاده از داده ها را بهبود بخشد ، بهره وری کار پرسنل مالی را بهبود بخشد و امنیت خدمات پردازش مالی را افزایش دهد. این سیستم می تواند به مدیران کمک کند تا تصمیمات مالی مهم ، بودجه مالی و غیره را بگیرند. [1]. D Aikman و همکاران. چارچوبی برای ارزیابی تجمع آسیب پذیری ها در سیستم مالی ارائه شده است. آنها 46 شاخص سلامت مالی و ترازنامه را جمع آوری کردند ، فشارهای ارزیابی ، وام غیر مالی و اقدامات سلامت بخش مالی را پوشش می دادند [2]. مطالعه Prochniak M و همکاران با هدف تجزیه و تحلیل تأثیر توسعه و تثبیت بخش مالی بر رشد اقتصادی بر اساس روشهای کمی که نتایج قوی دارند. آزمایش شده است که رابطه بین توسعه بخش مالی و رشد اقتصادی غیرخطی است [3]. Polzin F et al. معتقد بود که تنوع ، سیستم های مالی را انعطاف پذیر تر می کند. علاوه بر این ، انتقال به یک سیستم انرژی پایدارتر نیازهای متنوع سرمایه گذاری مالی را ارائه می دهد [4].

با این حال ، ساخت و ساز سیستم مالی سنتی کامل نیست ، و کاستی های زیادی وجود دارد ، بنابراین در این آزمایش ، مقاله از روش استخراج ویژگی های اطلاعات چند منبع برای ساخت سیستم مالی عملکردی استفاده می کند. هان Z و همکاران. روشی را برای شناسایی ساختارهای کلیدی مونتاژ در مدل های مونتاژ از منظر توپولوژی مونتاژ و خصوصیات چند منبع ارائه داد. مدل مونتاژ مبتنی بر نمایندگی پیچیده شبکه است و یک مدل ارزیابی دو سطح برای ارزیابی اهمیت قطعات مونتاژ پیشنهاد شده است [5]. X Gao و همکاران. معتقد است که نظریه Dempste r-Shafer در برخورد با عدم قطعیت ها در زمینه فیوژن اطلاعات چند منبع ، ارزش قابل توجهی ندارد ، اما نحوه ادغام اطلاعات بسیار متناقض هنوز یک سؤال باز است [6]. تحقیقات وو ب و همکاران ، یک روش همجوشی اطلاعات چند منبع را با ترکیب مدل ابری ، دستگاه بردار پشتیبانی و استدلال مبتنی بر شواهد پیشنهاد کردند. در مرحله پردازش داده ها ، منابع مختلف اطلاعاتی از طریق مدلهای مختلف آموزش داده می شوند تا ارزش مالی را در معرض خطر قرار دهند [7]. وو Y و همکاران. معتقد است که مدل همجوشی اطلاعات چند منبع شامل سه دستگاه یادگیری متا ناهمگن ، یعنی شبکه عصبی ، دستگاه بردار پشتیبانی و جنگل تصادفی است و با اجرای روش تصمیم نهایی می توان metaspectrum نهایی را بدست آورد [8]. با این حال ، داده های فوق توسط عموم به رسمیت شناخته نشده است زیرا روند آزمایش به اندازه کافی سختگیرانه نیست.

3. روش یادگیری مجموعه منبع کاوی داده کاوی

در واقعیت ، بسیاری از زمینه های کاربردی [9 ، 10] با منابع داده چند منبع روبرو هستند و اطلاعات ساختار منابع داده متناقض است. یعنی منابع داده به دو دسته تقسیم می شوند: منابع داده برچسب خورده و منابع داده بدون برچسب. بنابراین ، ادغام سنتی چندین منبع داده به طور مستقیم در یک منبع داده واحد برای یادگیری دشوار است. بر این اساس ، این تحقیق از اطلاعات برچسب منبع داده برچسب زده شده و اطلاعات ساختار داخلی منبع داده بدون برچسب استفاده می کند ، دو روش انتشار برچسب را پیشنهاد می کند تا منبع داده بدون برچسب دارای برچسب های کلاس باشد ، و سپس یک گروه یادگیری را ایجاد می کندروش چندین منبع داده. نتایج تجربی نشان داد که در مقایسه با دو الگوریتم طبقه بندی سنتی [11] ، روش یادگیری مجموعه منبع داده های چند متغیره بر اساس انتشار برچسب دارای دقت طبقه بندی بالاتری ، استحکام بهتر و مقیاس پذیری قوی تر است. علاوه بر این ، هنگامی که تعداد منابع داده بدون برچسب بزرگ باشد ، روش انتشار برچسب سازگار محلی بهتر از روش انتشار برچسب سازگار جهانی است.

یادگیری گروه منبع اطلاعات چند منبع در واقع یک سیستم چند طبقه بندی کننده است که در آن زیر کلاس ها توسط منابع داده محلی آموزش می گیرند. شکل 1 چارچوب یادگیری یکپارچه منابع داده های چند منبع را نشان می دهد. ایده های اصلی به عنوان منبع داده های متعدد ارائه شده است. بر اساس انتشار برچسب برای تهیه منابع داده بدون برچسب دارای برچسب ها ، طبقه بندی پایه با آموزش هر منبع داده محلی بدست می آید ، و توزیع جفت نتیجه از طبقه بندی کننده مولتیباز ذوب می شود ، که نتایج طبقه بندی نمونه ها را در منابع مختلف داده ها به عنوان نهایی آزمایش می کند. نتایج پیش بینیبر اساس چارچوب یادگیری گروه برای به دست آوردن منابع داده چند منبع ، موارد زیر دو روش انتشار برچسب از قوام جهانی و قوام محلی را با جزئیات معرفی می کند و خاطرنشان می کند که این دو روش انتشار برچسب قابل تعویض هستند.