粗糙集方法在税务稽查中的研究与实践
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第8-16页 |
| ·研究背景及意义 | 第8-10页 |
| ·税务稽查及选案研究 | 第10-13页 |
| ·现代税务稽查体系 | 第10-11页 |
| ·税务稽查选案的研究现状 | 第11-13页 |
| ·论文的研究思路及研究工作 | 第13-16页 |
| ·论文的研究内容 | 第13-14页 |
| ·论文的组织结构 | 第14-16页 |
| 第2章 粗糙集理论和神经网络 | 第16-34页 |
| ·粗糙集理论概述 | 第16-22页 |
| ·粗糙集理论的有关概念 | 第16-18页 |
| ·信息系统和决策表 | 第18-19页 |
| ·决策表的约简 | 第19页 |
| ·属性约简 | 第19-20页 |
| ·粗糙集理论的特点 | 第20-21页 |
| ·粗糙集与其它技术的融合 | 第21-22页 |
| ·神经网络理论基础 | 第22-26页 |
| ·神经网络典型模型 | 第22-23页 |
| ·人工神经网络的学习算法 | 第23-24页 |
| ·人工神经网络的特点及应用 | 第24-25页 |
| ·自组织神经网络 | 第25-26页 |
| ·粗糙集和神经网络集成方法概述 | 第26-33页 |
| ·粗糙集和神经网络的区别 | 第26-28页 |
| ·粗糙集与神经网络集成的研究现状 | 第28-31页 |
| ·粗糙集与神经网络集成存在的问题 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于粗糙集方法的税务稽查选案指标选择 | 第34-53页 |
| ·粗糙集属性约简 | 第34-40页 |
| ·一些典型的约简算法 | 第34-37页 |
| ·基于可辨识矩阵的属性约简算法 | 第37-40页 |
| ·粗糙集方法在税务稽查选案指标选择中的应用研究 | 第40-51页 |
| ·税务稽查选案指标因素分析 | 第40-43页 |
| ·基于粗糙集的指标选择工作原理 | 第43-48页 |
| ·粗糙集方法在选案指标选取中的应用 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第4章 粗糙集—LVQ神经网络选案模型研究 | 第53-70页 |
| ·LVQ网络模型及其算法简介 | 第53-56页 |
| ·LVQ网络的结构 | 第53-54页 |
| ·LVQ算法 | 第54-56页 |
| ·粗糙集—LVQ神经网络分类器设计 | 第56-60页 |
| ·粗糙集和神经网络结合原理 | 第56-57页 |
| ·粗糙集—LVQ分类器的构造 | 第57-58页 |
| ·LVQ神经网络分类模型的构建 | 第58-60页 |
| ·粗糙集—LVQ神经网络分类器实验分析 | 第60-64页 |
| ·应用粗糙集—LVQ神经网络进行分类预测 | 第60-64页 |
| ·基于粗糙集约简的选案指标通用性验证 | 第64页 |
| ·基于粗糙集-LVQ神经网络的税务稽查选案模型 | 第64-69页 |
| ·稽查选案问题描述 | 第64-65页 |
| ·粗糙集—神经网络应用于税务稽查选案的原理 | 第65页 |
| ·粗糙集—LVQ神经网络的税务稽查选案模型 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 税务稽查选案原型系统的设计与实现 | 第70-82页 |
| ·设计策略 | 第70-71页 |
| ·系统总体设计 | 第71-72页 |
| ·系统主要功能模块设计 | 第72-77页 |
| ·数据模块 | 第72-73页 |
| ·系统界面模块 | 第73页 |
| ·RS模块 | 第73-74页 |
| ·ANN模块 | 第74-76页 |
| ·行业模块 | 第76-77页 |
| ·税务稽查选案系统数据挖掘流程 | 第77-78页 |
| ·税务稽查选案系统的应用 | 第78-81页 |
| ·稽查选案实例 | 第78-80页 |
| ·指标管理实例 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 第6章 总结和展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
