發(fā)布時間：2022-01-27 03:16

　　為了高精度核對代發(fā)工資數(shù)據(jù)差異,保證代發(fā)工資數(shù)據(jù)不出現(xiàn)異常,構(gòu)建了基于邏輯回歸的代發(fā)工資數(shù)據(jù)差異核對數(shù)學(xué)模型。使用基于信息熵聚類的代發(fā)工資數(shù)據(jù)聚類方法,準(zhǔn)確分類已代發(fā)與未代發(fā)工資數(shù)據(jù),縮小核對范圍;針對分類后獲得的已代發(fā)工資數(shù)據(jù),通過邏輯函數(shù)Sigmoid函數(shù)實現(xiàn)已代發(fā)工資中異常數(shù)據(jù)的分類,基于邏輯回歸構(gòu)建數(shù)據(jù)差異核對的數(shù)學(xué)模型,完成已代發(fā)工資數(shù)據(jù)與實際需代發(fā)工資數(shù)據(jù)差異核對。實驗測試中,所建立模型對多家、多類型企業(yè)的代發(fā)工資差異數(shù)據(jù)核對錯誤數(shù)為0家,核對精度高,符合銀行代發(fā)工資數(shù)據(jù)差異核對要求;在核對代發(fā)工資數(shù)據(jù)差異時,核對耗時不受代發(fā)工資數(shù)據(jù)量影響,核對耗時均為5min。 

【文章來源】：廊坊師范學(xué)院學(xué)報(自然科學(xué)版). 2020,20(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

Sigmoid函數(shù)散點圖

本文模型對多家、多類型企業(yè)代發(fā)工資數(shù)據(jù)差異核對結(jié)果的核對精度計算結(jié)果如圖2所示。如圖2所示，本模型對批發(fā)與零售業(yè)、采礦業(yè)、建筑業(yè)、郵政業(yè)、倉儲業(yè)、農(nóng)業(yè)、漁業(yè)代發(fā)工資數(shù)據(jù)差異的核對精度較高，精度值為1。

其中，c屬于常數(shù)，q(i,j)、s(i,j)分別是準(zhǔn)確率與召回率。F-measure值較大，則本文模型聚類精度較高。使用該指標(biāo)測試本文模型對已代發(fā)、未代發(fā)的工資數(shù)據(jù)聚類效果，結(jié)果如圖3所示。如圖3所示，該銀行使用本文模型對批發(fā)與零售業(yè)、采礦業(yè)、建筑業(yè)、郵政業(yè)、倉儲業(yè)、農(nóng)業(yè)、漁業(yè)的已代發(fā)工資數(shù)據(jù)與未代發(fā)工資數(shù)據(jù)實施聚類時，F(xiàn)-measure值大于使用前，表明本模型可高精度聚類代發(fā)工資數(shù)據(jù)。

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的貝葉斯邏輯回歸核心集構(gòu)建算法[J]. 張士翔,李汪根,李童,朱楠楠.  計算機(jī)科學(xué). 2019(S2)
[2]基于數(shù)學(xué)建模的網(wǎng)絡(luò)數(shù)據(jù)流異常檢測仿真[J]. 張程,尚海濤.  計算機(jī)仿真. 2019(11)
[3]基于FBMC的數(shù)據(jù)傳輸技術(shù)研究[J]. 邵玉蓉,姜恩華.  廊坊師范學(xué)院學(xué)報(自然科學(xué)版). 2019(03)
[4]邏輯回歸模型的Smooth LASSO及Spline LASSO變量選擇[J]. 戴微,金百鎖.  應(yīng)用概率統(tǒng)計. 2019(03)
[5]基于再縮放策略的邏輯回歸算法及其應(yīng)用[J]. 李瓊陽.  統(tǒng)計與決策. 2019(10)
[6]基于Java Web的進(jìn)銷存管理系統(tǒng)設(shè)計[J]. 范國婷,曹飛虎,王秀友,楊穎.  廊坊師范學(xué)院學(xué)報(自然科學(xué)版). 2018(04)
[7]基于DCNDA算法的數(shù)據(jù)異常檢測[J]. 蔣華,季豐,王鑫,王慧嬌.  計算機(jī)工程與設(shè)計. 2018(11)
[8]基于Isolation Forest改進(jìn)的數(shù)據(jù)異常檢測方法[J]. 徐東,王巖俊,孟宇龍,張子迎.  計算機(jī)科學(xué). 2018(10)
[9]基于邏輯回歸模型的流量異常檢測方法研究[J]. 侯愛華,高偉,汪霖.  工程數(shù)學(xué)學(xué)報. 2017(05)
[10]基于HBase的多分類邏輯回歸算法研究[J]. 劉黎志,鄧介一,吳云韜.  計算機(jī)應(yīng)用研究. 2018(10)



本文編號：3611651