一個新的線上學習系統及其於稅務選案上之應用

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：14

、訪客IP：18.226.169.94

姓名

謝國龍(Kuo-Lung Hsieh) 查詢紙本館藏

畢業系所

資訊工程學系在職專班

論文名稱

一個新的線上學習系統及其於稅務選案上之應用
(A New Approach to an On-line Learning System and Its Application in Tax Case Selection)

相關論文

★ 以Q-學習法為基礎之群體智慧演算法及其應用	★ 發展遲緩兒童之復健系統研製
★ 從認知風格角度比較教師評量與同儕互評之差異：從英語寫作到遊戲製作	★ 基於檢驗數值的糖尿病腎病變預測模型
★ 模糊類神經網路為架構之遙測影像分類器設計	★ 複合式群聚演算法
★ 身心障礙者輔具之研製	★ 指紋分類器之研究
★ 背光影像補償及色彩減量之研究	★ 類神經網路於營利事業所得稅選案之應用
★ 人眼追蹤系統及其於人機介面之應用	★ 結合群體智慧與自我組織映射圖的資料視覺化研究
★ 追瞳系統之研發於身障者之人機介面應用	★ 以類免疫系統為基礎之線上學習類神經模糊系統及其應用
★ 基因演算法於語音聲紋解攪拌之應用	★ 虹膜辨識系統之研究與實作

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

對於一個有效的辨識系統，擁有線上學習的特性是十分重要的，線上學習能夠快速學習新的事物及微調原有資訊，但又無損於舊的資訊。近年來，有許多線上學習系統被提出來，模糊適應共振理論映射圖(Fuzzy Adaptive Resonance Theory Map，簡稱Fuzzy ARTMAP)即為其中最著名的線上學習系統之一，雖然有許多引人的特性，Fuzzy ARTMAP系統一直面臨著計算負荷過重及架構冗雜的問題，因此本論文提出一種新的以簡化Fuzzy ARTMAP系統為基礎之線上學習系統，該系統可應用於圖樣識別與函數逼近的問題。本論文所提出的線上學習系統效能，不僅只以一些人工資料集來評估，也以稅務資料集來測試其效能。我國稅務稽徵機關之營利事業所得稅一向採用選案查核方式來查緝逃漏稅，由於審查人力及資源的有限，查核結果往往成效不彰，本線上學習系統可被訓練用於提升逃漏稅查核結果，其研究目的為：(1)達到可接受的正確預測結果、(2)防止審查人力的工作負荷過重及(3)杜絕逃漏稅之投機現象。

摘要(英)

For an efficient pattern recognition system, it is important to possess the property of the on-line learning. The on-line learning property is referred to the ability of learning new classes and refining existing classes quickly and without destroying old class information. Recently, many on-line learning systems have been proposed. One of the most famous on-line learning systems is the Fuzzy Adaptive Resonance Theory Map (Fuzzy ARTMAP). Despite many appealing properties, the Fuzzy ARTMAP system suffers from the computation overhead and architectural redundancy. In this paper, a new on-line learning system based on the simplified Fuzzy ARTMAP is proposed. The proposed system can be applied in pattern recognition and function approximation problems. The performance of the proposed on-line learning system is evaluated by not only some artificial data sets but also the tax data set. The only way employed by Taiwan tax office to investigate business income tax evasion is to reexamine some randomly selected case. Owing to limited human resources, the performance of the investigation is usually not effective and efficient. In this thesis, the proposed on-line learning system was trained to improve the performance of investigating tax evasion. Targets of this research are (1) to achieve an acceptable degree of accurate prediction, (2) to prevent inspectors from overloading, and (3) to stop the speculative phenomenon of tax evasion.

關鍵字(中)

★ 營利事業所得稅
★ 線上學習
★ 圖樣識別
★ 函數逼近

關鍵字(英)

★ pattern recognition
★ function approximation
★ business income tax
★ on-line learning

論文目次

圖目錄 III
表目錄 V
第一章緒論 1
1.1 研究動機 1
1.2 論文架構 3
第二章相關線上學習系統探討 4
2.1 模糊適應共振理論映射圖 5
2.1.1 網路架構 5
2.1.2 模糊適應共振理論演算法 6
2.2 簡化模糊適應共振理論映射圖 9
2.2.1 網路架構 9
2.2.2 監督式學習演算法 10
2.3 PROBART類神經網路 11
2.3.1 網路架構 11
2.3.2 學習演算法 12
2.4 改良式簡化模糊適應共振理論映射圖 14
2.4.1 網路架構 14
2.4.2 監督式學習演算法 15
第三章線上學習系統 20
3.1 圖樣識別 20
3.1.1 網路架構 31
3.1.2 實驗模擬 32
3.1.2.1 579資料集 32
3.1.2.2 雙螺旋資料集 36
3.1.2.3 鳶尾花資料集 38
3.2 函數逼近 40
3.2.1 網路架構 44
3.2.2 實驗模擬 46
3.2.2.1 無雜訊函數逼近 47
3.2.2.2 有雜訊函數逼近 52
第四章稅務查核之應用 61
4.1 稅務選案文獻回顧 62
4.2 縣市行業別稅務資料集 65
第五章結論與建議 70
參考文獻 71

參考文獻

[1] 王進德、蕭大全，類神經網路與模糊控制理論入門，全華
科技圖書。
[2] 何敏男，我國所得稅查帳制度之研究，中華工學院工業工程與管理研究所碩士論文，民國八十四年。
[3] 呂維哲，模糊類神經網路為架構之遙測影像分類器設計，國立中央大學資訊工程研究所碩士論文，民國九十一年。
[4] 林金賢，預測模型在稅務選案上之比較，靜宜大學會計研究所碩士論文，民國九十一年。
[5] 林坤淵，營利事業所得稅逃漏稅預測模式之比較研究，交通大學管理科學研究所碩士論文，民國九十一年。
[6] 胡秀杏，營利事業所得稅逃漏稅行為之研究，台灣大學商學研究所碩士論文，民國七十六年。
[7] 胡錦康，我國營利事業所得稅稅負之研究，稅務旬刊第1795
期第8-14頁。
[8] 胡錦康，我國營利事業所得稅稅負之研究，稅務旬刊第1796期第19-24頁。
[9] 施肇華，我國營利事業所得稅查核方式暨一般逃漏稅查緝方法之研究，中原大學會計研究所碩士論文，民國九十年。
[10] 葉怡成，應用類神經網路，儒林圖書，2002年。
[11] 葉怡成，類神經網路模式應用與實作，儒林圖書，2001年。
[12] 劉興浚，類神經網路在稅務稽核選案模式之應用，元智大學管理研究所碩士論文，民國八十七年。
[13] 羅榮鎮，我國營利事業所得稅選案查核之研究，中華工學院工業工程與管理研究所碩士論文，民國八十六年。
[14] 蘇木春、張孝德，機器學習：類神經網路、模糊系統以及基因演算法則，全華科技圖書。
[15] G. A. Carpenter, S. Grossberg, N. Markuzon, J. H. Reynolds, and D. B. Rosen, “Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps” IEEE Trans. On Neural Networks, vol. 3, pp. 698-713, 1992.
[16] I. Danger,M. Geogiopoulos,G. L. Heileman,and G.Bebis, “Fuzzy ARTVar:an improved fuzzy ARTMAP algorithm’’, IEEE Int. Joint Conf. On Neural Networks, vol. 3, pp. 1688-1693, New York, USA, 1998.
[17] B. W. Jervis, T. Garcia and E. P. Giahnakis, “Probabilistic simplified fuzzy ARTMAP(PSFAM)”, IIEE Proc. -Sci. Meas. Technol, vol. 146, No. 4, pp. 165-169, July. 1999.
[18] T. Kasuba, “Simplified fuzzy ARTMAP”, AI Expert, vol. 8, pp. 18-25, 1993.
[19] K. J. Lang, and M. J. Witbrock, “Learning to tell two spirals apart’’ in Proc Connectionist Model Summer School, pp. 52-59, 1989.
[20] S. Marriott and R. F. Harrison, “A modified fuzzy artmap architecture for the approximation of noisy mappings”, Neural Networks, vol. 8, pp. 619-641, 1995.
[21] S. L. Salzberg, Learning with nested generalized exemplars, Kluwer Academic, 1990.
[22] P. Simpson, “Fuzzy min-max neural network-Part 1: Classification’’ IEEE Trans on Neural Networks, vol. 3, no. 5, pp. 776-786, Sept. 1992.
[23] D. Specht, “Probabilistic neural network,’’ Neural Networks, vol. 3, no. 1, pp109-118, 1990.
[24] N. Srinivasa, “Learning and generalization of noisy mapping using a modified PROBART neural network”, IEEE Trans. Signal Processing, vol. 45, no. 10, pp. 2533-2540, Oct. 1997.
[25] M. C. Su, A Novel Neural Network Approach to Knowledge Acquisition, Ph. D. Thesis, August, University of Maryland, College Park, 1993.

指導教授

蘇木春(Mu-Chun Su)

審核日期

2003-7-7

推文