NeuroSolutions - 神经网络仿真软件

NeuroSolutions是适用于Windows的易于使用的神经网格软件包。它使用的直观向导或易于使用的Excel^TM界面，将基于图标的模块化网络设计界面与高等人工智能和学习算法的实现相结合。使用NeuroSolutions执行聚类分析，销售预测，运动预测，医学分类等。NeuroSolutions 是可用于windows 平台的高度图形化的神经网络开发工具。该软件在业界处于靠前排名，其将模块化，基于图标的网络设计界面，学习程序和遗传进行了结合。该款可用于研究和解决现实复杂问题的神经网络设计工具在使用上几乎制。

NeuroSolutions如何运作 

神经网络是漫长而复杂的数学方程式，NeuroSolutions旨在使新技术和高等神经网络开发人员都能获取该技术。神经网络分析有三个基本阶段：在数据上训练网络，测试网络的性以及根据新数据进行预测/分类。NeuroSolutions Excel界面中的Express Builder能通过的步骤自动完成操作！

易于使用的Excel界面

借助NeuroSolutions Excel界面，您可以更的入门解决问题。NeuroSolutions中的Excel界面为用户提供了易于使用且直观的界面，可以设置模拟，自动构建，训练和测试多个神经网络拓扑，并生成易于阅读的结果报告，性能较好的模型。

NeuroSolutions的主要功能

输入投影

通过自动将多条信息映射至单一输入，进一步减小了输入的规模

输入

通过贪婪搜索回除法和方法自动决定有用的输入

CUDA GPU处理

NeuroSolutions的用户可以通过使用NeuroSolutions CUDA插件管理NVIDIA显卡的处理能力

更快的处理速度

软件改进了对多核处理器的使用，了可执行编码，这都使得训练时间减少了。

向量机回归

向量机回归（SVM-R）

增强了随机神经网络的

神经模糊

其神经模糊系统(CANFIS)模型了神经网络的模糊输入，一边的解决模糊定义的问题

向量机

其向量机（SVM）模型将输入映射入大尺寸的空间，然后通过对与数据边界较相近的输入数据进行隔离，以较的将数据分离入其相应的类中。这在分离那些共享着复杂的边界的数据集尤其。

Levenberg-Marquardt

序列学习算法较原动力学习算法在速度上有了相当大的提高，并且往往出错率更低

导师强迫/迭代预测

有一些时间序列问题能通过一种被称为导师强迫的方式进行模式化处理。为提高多部预测的率，这种的训练算法将预测的输出结果反馈入了输入中。

临时神经网络

NeuroSolutions是当前少数几种通过时间反向传播（BPTT）的神经网络开发工具之一。其与传统的将静态输入映射入静态输出不同，BPTT可以将一系列输入映射入一系列输出中，这使得其可以通过提取数据每次的变化来解决临时的问题。

用户自定义的神经拓补结构

NeuroSolutions是基于以下内容而应用的，即神经网络可以分解为神经组件的基础性集合。每单独的组件都是相对的，但是将多个组件连接起来以后，其即可组成网络以解决相当复杂的问题。网络组建向导可以根据用户指定的条件为之连接相应的组件。然而，一旦该网络创建好了，用户即可任意的改变其相互联系或者添加入新的组件，换而言之，即几乎可以创建的神经模型。

用户自定义的神经组件

每NeuroSolutions组件都应用了函数以遵循C编写的协议。如需添加新的组件，用户的修改基础组件的模板函数，然后将其代码编译为DLL文件---这都可以在NeuroSolutions中完成！

C++代码生成

通过使用NeuroSolutions层级，应用程序开发员可通过使用自定义解决方案向导生成DLL或为网络生成C++源码的方式将NeuroSolutions神经网络入其应用程序中。该NeuroSolutions代码生成工具如同其面向对象的开发环境一样稳健。您在图形用户界面中创建的神经网络是多么的或者复杂，NeuroSolutions都能生成等价的ANSI C++源码的神经网络;即使这些神经网络中以DLL的方式含有您自己设计的算法。

大量的探索功能

神经网络因为其黑箱子技术经常被用户批评，但NeuroSolutions提供了大量通用的探索工具集，用户便再也担心这种情况的发生了。探索工具使得用户可以实时的访问内部网络参数，比如：

• 输入/输出

• 权重

• 错误

• 隐藏状态

• 渐变

• 敏感性

探索在神经网络设计中是需要的一步，因此我们将之处理成为NeuroSolutions中的一部分。和神经组件一样，探索组件也是模块化的，用户浏览数据的方式与数据展现的形式无关神经网络数据都是通过通用协议进行报送的，且 NeuroSolutions都能理解这个协议，因此这使得用户可以访问内部变量以及可以通过大量的观看它们的方法。

遗传

NeuroSolutions的用户层以及以上层级了遗传功能。遗传功能使得用户可以对神经网络中的任意参数进行，以降低出错率。比如，用户可以对隐藏单元的数量，学习率，以及输入选择等进行以提高神经网络的性能。

敏感度分析

敏感度分析是一种用于提取神经网络的输入与输出之间的原因以及影响关系的方法。其基本的设计理念是，神经网络的输入通道发生轻微偏移，输出端即可相应的对之进行报告。那些只产生较小的敏感值的输入通道将被视为无关紧要的，因此常常被从神经网络中移除掉，这种操作减小了神经网络的规模，而这也反而减少了网络的复杂性以及的训练时间。此外，这还将提高网络对样本数据测试的性能。

样本加权

分类问题中往往每类都不可能具有相同数目的训练样本，比如，用户可能拥有用于检测临床测试数据中癌症发生概率的神经网络应用程序，该问题的测试数据可能了99个分类为非癌症患者的样本，以及被标记为癌症患者的样本数据。此时，标准化得神经网络可以将样本分类为非癌症患者，因此其有99%的率，而事实上，其目的应该是检测到存在的癌症患者，因此这暴露出了问题。

NeuroSolutions为用户提供了一种更佳的解决方案，即使用了一种名为加权的方式。以以上例子为例，训练样本中的每癌症患者在反向传播中都将拥有比非癌症患者高99倍的权重。这种平衡训练数据的方式使得系统能 以一种更有的方式进行癌症数据的检测。

宏指令

NeuroSolutions拥有一套综合的宏语言，这使得用户可以记录操作的顺序，并将之存贮为程序。每可以使用鼠标或者键盘进行操作的动作都可以使用一条宏语句操作。这项的功能使得用户在构建，编辑和运行神经网络时拥有了的性。

OLE自动化

NeuroSolutions是兼容OLE自动化的服务器。这着其可以从OLE自动化控制器中接受控制信息，比如Visual C++, Visual Basic, Microsoft Excel, Microsoft Access, 和Delphi.等