论文部分内容阅读
聚类是数据挖掘中一种深层次的数据分析方法,在数据探索、识别数据的内在结构和经济分析等方面具有极其重要的作用,已成为数据挖掘、统计学和机器学习等领域的重要研究方向。聚类可以较好地发现数据中潜在的规律和联系,将其应用于审计风险管理的研究中,能给审计人员提供审计依据和判断,对提高审计效率和结果质量、降低审计风险和改善审计风险管理环境都具有重要作用。因此,深入研究聚类技术在审计风险管理中的应用将具有较高的理论意义和十分重要的应用前景。
本文比较全面地介绍了聚类在审计风险管理应用的研究现状,总结了聚类和审计风险管理的基本概念及知识体系,并重点探究了审计风险管理中的数据疑点和抽样风险对审计工作产生的影响,提出了一种基于聚类技术的解决方案。结合相关研究成果,设计并实现了一个基于聚类的审计挖掘系统。
论文的主要研究成果包括以下几个方面:
1、总结了数据挖掘及聚类在审计风险管理中的研究现状,详细介绍了聚类和审计风险管理的知识体系,探讨了聚类技术在审计风险管理中的应用。
2、深入分析了划分算法K-means和层次算法CURE,提出了一种基于划分和层次的混合动态聚类算法。该算法首先使用划分聚类快速生成一定数量的子簇,然后根据整体相似度对测试样本进行自动聚类,并适时剔除孤立点。实验表明该方法具有较高的准确率,并能够有效地减少样本训练时间。
3、针对抽样审计方法在大规模数据集特征不明显情形下对审计风险评估不可靠的问题,将聚类技术引入到分层抽样中,提出了一种基于聚类技术的审计分层抽样算法。该算法通过改进聚类算法中的K-means算法,对审计抽样中的分层抽样算法进行优化,在保证层次抽样数据代表性的前提下,不但缩小审计抽样的样本量,缩短审计抽样的时间,而且降低审计风险,提高审计效率。
4、在分析了Java平台组件开发技术的基础上,综合所提出的改进算法,设计并实现了一个基于J2EE多层体系结构的审计数据挖掘系统。该系统功能包括数据的提取、数据预处理、聚类分析挖掘和挖掘结果的表示等。