Введение
ГЛАВА 1. Исследование возможности нейросетевой аппрок симации многомерных функциональных зависимостей в условиях искажения данных и дефицита наблюде ний 24
1.1. Анализ состояния вопроса по разработке математических моделей налогового контроля 24
1.2. Обобщенная постановка и особенности задачи ранжирования экономических объектов с сильнозашумленными данными 37
1.3. Анализ условий моделирования 46
1.4. Проблемы, связанные с аппроксимацией функции многих переменных с помощью нейронных сетей в специфических условиях моделирования 55
1.5. Проблемы, связанные с устойчивостью нейронных сетей по возмущению
входных данных 61
Выводы по главе 1 70
ГЛАВА 2. Концепция построения гибридных нейросетевых моделей ранжирования объектов налогового контроля 72
2.1. Управление качеством нейросетевой модели с помощью метода предпро-цессорной обработки данных, реализующего многоуровневое иерархическое структурирование модели 72
2.2. Повышение однородности НСМ на первом иерархическом уровне структурирования с помощью оптимизационной итерационной процедуры кластеризации базы данных 78
2.3. Повышение обобщающих свойств нейросетевой модели и однородности данных на втором иерархическом уровне структурирования на основе фоновой общесистемной закономерности 86
2.4. Алгоритм ранжирования налогоплательщиков на основе общесистемных закономерностей асимметрии и неполного подавления побочных дисфункций структурирования информационной системы 97
2.5. Метод модифицированного обобщенного перекрестного подтверждения для оценки адекватности гибридных нейросетевых моделей 105
Выводы по главе 2 108
ГЛАВА 3. Рабочий алгоритм ранжирования экономических объектов с сильнозашумленными данными на основе гибридной нейросетевой математической модели 110
3.1. Общее описание рабочего алгоритма 110
3.2. Процедура построения НСМ задаваемого типа 119
3.3. Итерационная оптимизационная процедура кластеризации базы данных .. 120
3.4. Итерационная оптимизационная процедура очистки образованных кластеров от аномальных наблюдений по обобщенному (векторному) критерию точности, устойчивости и детерминированности 123
3.5. Процедура построения рабочей НСМ и расчета доверительного интервала для отклонений 8(. 126
3.6. Процедура расчета отклонений по рабочей НСМ на базе данных образованного кластера 128
3.7. Процедура обобщенного перекрестного подтверждения 130
3.8. Процедура вычисления вероятностного у-критерия ранжирования 132
3.9. Процедура ранжирования налогоплательщиков на основе \(ькритерия... 134
3.10. Процедура модифицированного обобщенного перекрестного подтверждения 136
3.11. Процедура окончательного ранжирования налогоплательщиков на основе \|/-критерия на исходной базе данных 138
Выводы по главе 3 138
ГЛАВА 4. Решения прикладных задач ранжирования объектов налогового контроля на основе разработанной гибридной нейросетевой математической модели 139
4.1. Построение гибридных нейросетевых моделей ранжирования для выборки Z1 139
4.2. Построение гибридных нейросетевых моделей ранжирования для выборки Z" 150
4.3. Верификация нейросетевых моделей на основе натурныхэкспериментов 153
Выводы по главе 4 155
Заключение 156
Список используемой литературы
