v6-ns-large_20160411114058
  • Description

 

NeuroSolutions 是一個可用於windows 系統 高度圖形化的神經網絡開發工具。
類神經網路和基因演算法是人工智慧的資訊技術,它模仿人類大腦的學習過程,以便可從歷史資訊中萃取出資料的模式。這種技術已有許多年,被成功地在各種不同應 用上執行。
NeuroSolutions是類神經網路研究員與應用開發者間的最佳發展工具。在現今的市場上,NeuroSolutions物件導向圖形化 介面提供強而有力和具有彈性的有效發展環境,它的Wizards和Excel介面使它快速且容易去建立並訓練一個類神經網路來解決你的問題,從這裡,你可 容易的部署你的類神經網路,解決客戶問題。現在免費下載NeuroSolution試用版,來學習更多有關如何運用卓越的技術在您的工作上。

NeuroSolutions的主要功能

  • 輸入投影
    通過自動將多條信息映射至單一輸入,進一步減小了輸入的規模
  • 輸入優化
    通過搜索回除法和其他方法自動決定最有用的輸入
  • CUDA GPU處理
    NeuroSolutions的用戶可以通過使用NeuroSolutions CUDA插件管理NVIDIA顯卡的強大處理能力
  • 更快的處理速度
    軟件改進了對多核處理器的使用,優化了可執行編碼,這都使得訓練時間極大的減少
  • 支持向量機回歸
    支持向量機回歸(SVM-R)
  • 增強了隨機神經網絡的支持
  • 神經模糊
    其神經模糊系統(CANFIS)模型集成了神經網絡的模糊輸入,一邊快速的解決模糊定義的問題
  • 支持向量機
    其支持向量機(SVM)模型將輸入映射入一個大尺寸的特徵空間,然後通過對與數據邊界叫相近的輸入數據進行隔離,以最優化的將數據分離入其相應的類中。這在分離那些共享著複雜的邊界的數據集尤其有效。
  • Levenberg-Marquardt
    第二序列學習算法較原動力學習算法在速度上有了相當大的提高,並且往往出錯率更低
  • 導師強迫/迭代預測
    有一些時間序列問題能通過一種被稱為“導師強迫”的方式進行最佳模式化處理。為提高多部預測的準確率,這種特殊的訓練算法將預測的輸出結果反饋入了輸入中。

臨時神經網絡
NeuroSolutions是當前少數幾種完全支持通過時間反向傳播(BPTT)的神經網絡開發工具之一。其與傳統的將靜態輸入映射入一個靜態輸出不同,BPTT可以將一系列輸入映射入一系列輸出中,這使得其可以通過提取數據每次的變化來解決臨時的問題。

用戶自定義的神經拓補結構
NeuroSolutions是基於以下內容而應用的,即神經網絡可以分解為一個神經組件的基礎性集合。每一個單獨的組件都是相對簡單的,但是將多個組件連接起來以後,其即可組成網絡以解決相當複雜的問題。網絡組建嚮導可以根據用戶指定的條件為之連接相應的組件。然而,一旦該網絡創建好了,用戶即可任意的改變其相互聯繫或者添加入新的組件,換而言之,即幾乎可以創建無限的神經模型。

用戶自定義的神經組件
每一個NeuroSolutions組件都應用了一個函數以遵循一個C編寫的簡單協議。如需添加一個新的組件,用戶只需簡單的修改基礎組件的模板函數,然後將其代碼編譯為一個DLL文件---這一切都可以在NeuroSolutions中完成!

C++代碼生成
通過使用NeuroSolutions開發者層級,應用程序開發員可通過使用自定義解決方案嚮導生成DLL或為網絡生成C++源碼的方式將NeuroSolutions神經網絡集成入其應用程序中。該NeuroSolutions代碼生成工具如同其面向對象的開發環境一樣穩健。無論您在圖形用戶界面中創建的神經網絡是多麼的簡單或者復雜,NeuroSolutions都能生成等價的ANSI C++源碼的神經網絡—即使這些神經網絡中以DLL的方式含有您自己設計的算法。

大量的探索功能
神經網絡因為其“黑箱子”技術經常被用戶批評,但NeuroSolutions提供了大量通用的探索工具集,用戶便再也無需擔心這種情況的發生了。探索工具使得用戶可以實時的訪問內部網絡參數,比如:

  • 輸入/輸出
  • 權重
  • 錯誤
  • 隱藏狀態
  • 漸變
  • 敏感性

探索在神經網絡設計中是非常重要的一步,因此我們將之處理成為NeuroSolutions中集成的一部分。和神經組件一樣,探索組件也是模塊化的,用戶瀏覽數據的方式與數據展現的形式無關。所有的神經網絡數據都是通過一個通用協議進行報送的,且所有的NeuroSolutions都能理解這個協議,因此這使得用戶可以訪問所有內部變量以及可以通過大量的觀看它們的方法。

遺傳優化
NeuroSolutions的用戶層以及以上層級包含了遺傳優化功能。遺傳優化功能使得用戶可以對神經網絡中的任意參數進行優化,以降低出錯率。比如,用戶可以對隱藏單元的數量,學習率,以及輸入選擇等進行優化以提高神經網絡的性能。

敏感度分析
敏感度分析是一種用於提取神經網絡的輸入與輸出之間的原因以及影響關係的方法。其基本的設計理念是,神經網絡的輸入通道發生輕微偏移,輸出端即可相應的對之進行報告。那些只產生較小的敏感值的輸入通道將被視為無關緊要的,因此常常被從神經網絡中移除掉,這種操作減小了神經網絡的規模,而這也反而減少了網絡的複雜性以及所需的訓練時間。此外,這還將提高網絡對樣本數據測試的性能。

樣本加權
分類問題中往往每一個類都不可能具有相同數目的訓練樣本,比如,用戶可能擁有一個用於檢測臨床測試數據中癌症發生概率的神經網絡應用程序,該問題的測試數據可能包含了99個分類為非癌症患者的樣本,以及一個被標記為癌症患者的樣本數據。此時,一個標準化得神經網絡將往往將所有的樣本分類為非癌症患者,因此其有99%的準確率,而事實上,其目的應該是檢測到存在的癌症患者,因此這暴露出了問題。

NeuroSolutions為用戶提供了一種更佳的解決方案,即使用了一種名為加權的方式。以以上例子為例,訓練樣本中的每一個癌症患者在反向傳播中都將擁有比非癌症患者高99倍的權重。這種平衡訓練數據的方式使得系統能以一種更有的方式進行癌症數據的檢測。

MACRO指令
NeuroSolutions擁有一套綜合全面的MACRO語言,這使得用戶可以記錄操作的順序,並將之存貯為程序。每一個可以使用鼠標或者鍵盤進行操作的動作都可以使用一條宏語句操作。這項強大的功能使得用戶在構建,編輯和運行神經網絡時擁有了前所未有的靈活性。

OLE自動化
lNeuroSolutions是一個完全兼容OLE自動化的服務器。這意味著其可以從OLE自動化控制器中接受控制信息,比如Visual C++, Visual Basic, Microsoft Excel, Microsoft Access,和Delphi.等