NeuroSolutions是合用于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？榛缟杓平缑嬗敫叩等宋悄芎徒ㄋ惴ǖ氖迪窒嘟岷。使用NeuroSolutions执行聚类分析，销售预测，活动预测，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？榛，基于图标的网络设计界面，进建法式和遗传进行了结合。该款可用于钻研和解决现实复杂问题的神经网络设计工具在使用上险些造。

?

NeuroSolutions若何运作?

神经网络是漫长而复杂的数学方程式，NeuroSolutions旨在使新技术和高档神经网络开发人员都能获取该技术。神经网络分析有三个根基阶段：在数据上训练网络，测试网络的性以及凭据新数据进行预测/分类。NeuroSolutions Excel界面中的Express Builder能通过的步骤自动实现操作！

?

易于使用的Excel界面

借助NeuroSolutions Excel界面，您能够更的入门解决问题。NeuroSolutions中的Excel界面为用户提供了易于使用且直观的界面，能够设置仿照，自动构建，训练和测试多个神经网络拓扑，并天生易于阅读的了局汇报，机能较好的模型。

?

?

NeuroSolutions的重要职能

?

输入投影

通过自动将多条信息映射至单一输入，进一步减幼了输入的规模

? ??

输入

通过贪心搜索回除法和步骤自动决定有效的输入

????

CUDA GPU处置

NeuroSolutions的用户能够通过使用NeuroSolutions CUDA插件治理NVIDIA显卡的处置能力

? ??

更快的处置速度

软件改进了对多核处置器的使用，了可执行编码，这都使得训练功夫削减了。

? ??

向量机回归

向量机回归（SVM-R）

????

加强了随机神经网络的

????

神经吞吐

其神经吞吐系统(CANFIS)模型了神经网络的吞吐输入，一壁的解决吞吐界说的问题

????

向量机

其向量机（SVM）模型将输入映射入大尺寸的空间，而后通过对与数据天堑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天堑的数据集尤其。

? ??

Levenberg-Marquardt

序列进建算法较原动力进建算法在速度上有了相当大的提高，并且往往犯错率更低

? ??

导师胁迫/迭代预测

有一些功夫序列问题能通过一种被称为导师胁迫的方式进行模式化处置。为提高多部预测的率，这种的训练算法将预测的输出了局反馈入了输入中。

?

一时神经网络

NeuroSolutions是当前少数几种通过功夫反向传布（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分歧，BPTT能够将一系列输入映射入一系列输出中，这使得其能够通过提取数据每次的变动来解决一时的问题。

?

用户自界说的神经拓补结构

NeuroSolutions是基于以下内容而利用的，即神经网络能够分化为神经组件的基础性集中。每单独的组件都是相对的，但是将多个组件衔接起来以来，其即可组成网络以解决相当复杂的问题。网络组建向导能够凭据用户指定的前提为之衔接相应的组件。然而，一旦该网络创建好了，用户即可肆意的扭转其相互联系或者增参与新的组件，换而言之，即险些能够创建的神经模型。

?

用户自界说的神经组件

每NeuroSolutions组件都利用了函数以遵循C编写的和谈。如需增长新的组件，用户的批改基础组件的模板函数，而后将其代码编译为DLL文件---这都能够在NeuroSolutions中实现！

?

C++代码天生

通过使用NeuroSolutions层级，利用法式开发员可通过使用自界说解决规划向导天生DLL或为网络天生C++源码的方式将NeuroSolutions神经网络入其利用法式中。该NeuroSolutions代码天生工具如同其面向对象的开发环境一样稳重。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都能天生等价的ANSI C++源码的神经网络;即便这些神经网络中以DLL的方式含有您自己设计的算法。

?

大量的索求职能

神经网络由于其黑箱子技术时时被用户品评，但NeuroSolutions提供了大量通用的索求工具集，用户便再也不安这种情况的产生了。索求工具使得用户能够实时的接见内部网络参数，好比：

• 输入/输出

• 权沉

• 谬误

• 暗藏状态

• 渐变

• 敏感性

?

?

索求在神经网络设计中是必要的一步，因而我们将之处置成为NeuroSolutions中的一部门。和神经组件一样，索求组件也是？榛，用户浏览数据的方式与数据展示的大局无关神经网络数据都是通过通用和谈进行报送的，且 NeuroSolutions都能理解这个和谈，因而这使得用户能够接见内部变量以及能够通过大量的旁观它们的步骤。

?

遗传

NeuroSolutions的用户层以及以上层级了遗传职能。遗传职能使得用户能够对神经网络中的肆意参数进行，以降低犯错率。好比，用户能够对暗藏单元的数量，进建率，以及输入选择等进行以提高神经网络的机能。

?

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步骤。其根基的设计理想是，神经网络的输入通路产生轻微偏移，输出端即可相应的对之进行汇报。那些只产生较幼的敏感值的输入通路将被视为无关紧要的，因而时时被从神经网络中移除掉，这种操作减幼了神经网络的规模，而这也反而削减了网络的复杂性以及的训练功夫。此表，这还将提高网络对样本数据测试的机能。

?

样本加权

分类问题中往往每类都不成能拥有一样数主张训练样本，好比，用户可能占有效于检测临床测试数据中癌症产生概率的神经网络利用法式，该问题的测试数据可能了99个分类为非癌症患者的样本，以及被象征为癌症患者的样本数据。此时，尺度化得神经网络能够将样本分类为非癌症患者，因而其有99%的率，而事实上，其主张应该是检测到存在的癌症患者，因而这露出出了问题。

?

NeuroSolutions为用户提供了一种更佳的解决规划，即便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布中都将占有比非癌症患者高99倍的权沉。这衷旖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占有一套综合的宏说话，这使得用户能够纪录操作的挨次，并将之存贮为法式。每能够使用鼠标或者键盘进行操作的作为都能够使用一条宏语句操作。这项的职能使得用户在构建，编纂和运行神经网络时占有了的性。

?

OLE自动化

NeuroSolutions是兼容OLE自动化的服务器。这着其能够从OLE自动化节造器中接受节造信息，好比Visual C++, Visual Basic, Microsoft Excel, Microsoft Access, 和Delphi.等

?