[发明专利]基于模糊神经网络和遗传算法的筛选方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

为了解决以上技术问题，本发明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。

本发明的技术方案是：

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是本发明的流程示意图。

具体实施方式

下面对本发明的内容进行更加详细的阐述：

本发明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：