ВВЕДЕНИЕ.
ГЛАВА 1 МОДЕЛЬ ФИНАНСОВОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРЕДПРИЯТИЙ НАЛОГОПЛАТЕЛЬЩИКОВ, ЗАДАЧИ ОПТИМИЗАЦИИ ИХ ПОСТНАЛОГОВОГО ДОХОДА И КЛАССИФИКАЦИИ НАЛОГОПЛАТЕЛЬЩИКОВ ПОСТАНОВКА И СУЩЕСТВУЮЩИЕ МЕТОДЫ РЕШЕНИЯ.
1.1 Экономическая постановка задач, обзор и анализ существующих методов решений задач.
1.1.1 Анализ функциональной деятельности существующей системы управления налоговым контролем регионального уровня.
1.1.2 Экономическая постановка решаемых задач.
1.1.3 Существующие подходы к решению задачи индикации нарушителей
налогоплательщиков
1.2 Постановки решаемых задач.
1.2.1 Постановка задачи I классификации налогоплательщиков на основе обобщенной динамической нейросетсвой модели.
1.2.2 Постановка задачи II приближенной оптимизации функционала постна
логового дохода предприятияналогоплательщика.
ВЫВОДЫ К ГЛАВЕ 1
ГЛАВА 2 ЧИСЛЕННЫЙ ГИБРИДНЫЙ МЕТОД И ОБОБЩЕННАЯ ДИНАМИЧЕСКАЯ НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ НАЛОГОПЛАТЕЛЬЩИКОВ
2.1 Основные положения теории нейронных сетей в аспекте их применения к специфическим задачам налогового контроля.
2.2 Обзор известных результатов по аппроксимации функции с помощью нейронных сетей.
2.3 Нейросетевая модель как стратегический и тактический идентификатор в задачах налогового контроля.
2.4 Основные идеи численного гибридного метода
2.5 Способы и приемы взаимосвязанной разработки математической модели, новой технологии и структурнофункциональной схемы СУНК.
2.6 Оптимизационный алгоритм кластеризации
2.7 Информационный подход к построению нейросетевых моделей.
2.8 Способ обобщенного перекрестного подтверждения
2.9 Алгоритм разработанного численного метода.
ВЫВОДЫ К ГЛАВЕ 2.
ГЛАВА 3 РЕАЛИЗАЦИЯ РАЗРАБОТАННОГО ЧИСЛЕННОГО МЕТОДА И ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ НЕКОТОРЫХ ВОПРОСОВ НЕЙРОСЕТЕВОГО ОТОБРАЖЕНИЯ.
3.1 Построение обобщенной динамической нейросетевой модели финансово экономических показателей по натурным данным.
3.2 Исследования теоретических вопросов построения нейросетегого отображения.
3.2.1 Об оценке снизу числа нейронов в скрытом слое двухслойных нейросетей .
3.2.2 Аппроксимация функций с помощью нейронных сетей при наличии линейной зависимости или линейной корреляции входных переменных
3.3 Обоснование использования в НСМ мультиколлинеарных входных переменных.
ВЫВОДЫ К ГЛАВЕ 3.
ГЛАВА 4 РЕШЕНИЕ ПРИКЛАДНЫХ ЭКОНОМИЧЕСКИХ ЗАДАЧ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
4.1 Индикация нарушителей налогоплательщиков на основе построенных нейросетевых моделей.
4.1.1 Процедура классификации налогоплательщиков.
4.1.2 Решение задачи индикации нарушителя налогоплательщика на границе допустимой области
4.2 Решение задачи II приближенной оптимизации постналогового дохода предприятия торговли
4.2.1 Краткое описание метода ЛП поиска.
4.2.2 Исследование корректности постановки задачи оптимизации функционала заданного с помощью нейросетевого отображения
4.2.3 Решение задачи оптимизации с применением композиции операторов
нейросетевого отображения и метода ЛП поиска
ВЫВОДЫ К ГЛАВЕ 4
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- Київ+380960830922