您可以連結以下網址,來預覽所有YouTube的教學影片
http://www.youtube.com/user/SoftHome4Neuroshell
內含16個類神經網路應用系統,適合老師教學,學生學習用
是一個功能強大的類神經網路(Neural Network)發展系統及動態連結程式庫(dynamic link library),架在EXCEL上之類神經網路應用系統,特別適合Visual Basic、Visual C++及其它Windows語言:類神經網路是利用電腦模擬人腦,利用Visual Basic及Visual C++可設計成各種應用程式,類神經網路已經成功應用於各項領域如支援決策(Decision Making)程序控制(Process Control)股票預測(Stock Market ?Prediction)等.使用方法G包含Supervised和Unsupervised、Backpropagation (Vanilla,Momentum and TurboProp) 、Kohonen Self Organizing Map (Vanilla and Normalized) 、Probabillistic neural networks (Euclidean and Block) 、General regression neural networks (Euclidean and Block).可以做支援決策、問題咨詢、資料分類及專家系統等,包含Backpropagation、Kohonen、PNN及GRNN .應用範圍於人工智慧、專家系統.
NeuroShell : Neuro concept
| NeuroShell 2
NeuroShell 2是我們針對性的對計算機科學教師和學生遺留神經網絡的產品。它包含了經典的算法，並深受研究生院教授和計算機科學專業的學生結構。
NeuroShell 2結合了強大的神經網絡結構，在Microsoft®Windows圖標驅動的用戶界面，先進的實用程序和常用的選項給用戶帶來極致的神經網絡實驗環境。因此建議僅供學術用戶，或那些誰關心像經典的反向傳播神經網絡範式的用戶。有興趣在解決實際問題的用戶應該考慮NeuroShell預測，NeuroShell分類，或NeuroShell交易。 初學者的神經網絡
NeuroShell 2包括初學者和進階系統除了運行設施。 NeuroShell 2包括初學者和專家的一致好評接口。初學者的系統NeuroShell 2是專為新手和初次使用者。它包括程序的簡化一套用於構建和執行一個完整的，功能強大的神經網絡應用。初學者的系統使用了我們強大的增強型反向傳播模式，默認的網絡參數，如學習率，動量和隱層神經元的數目。要使用您輸入的數據系統，指定輸入和輸出，並訓練網絡。然後，您可以到訓練好的網絡應用到新數據，並將結果導出到其他程序。 先進的 神經網絡該NeuroShell 2高級選項屏幕顯示可用於創建一個神經網絡的應用程序的獨立模塊。
高級系統在NeuroShell 2給出了經驗豐富的神經網絡用戶創建並執行16種不同的神經網絡結構，具有較初級的系統更方便用戶的控制能力。 電子表格格式用戶可以選擇在自己熟悉的電子表格程序中輸入自己的數據，或者在NeuroShell 2 Datagrid的工作。該方案採用電子表格文件作為其內部格式，以便您可以查看或編輯他們自己。事實上，NeuroShell 2將調用您喜愛的Windows電子表格程序。 文件導入和導出NeuroShell 2進口ASCII碼，二進制和電子表格文件。
該計劃進口和出口的ASCII和二進制文件格式。該文件導出模塊允許您NeuroShell 2文件轉換成ASCII或二進制文件。它也將數據合併到一個現有的電子表格或打印文件。 數據預處理規則模塊允許你創建如/ THEN / ELSE規則進行預處理的數據。
符號轉換模塊的字母數字數據或字符串轉換成一個可以通過網絡進行處理的數字。例如，您可能要分別轉換為“冷”，“暖”和“熱”為1，2，和3。 規則模塊允許你創建如/ THEN / ELSE類型的規則來預處理數據之前將其送入網絡。例如，您可以使用兩個輸入變量來創建第三個。您可能會認為，如果你把黃金和IBM的股票價格和總量大於400，經濟正在改善。您可以按如下翻譯這個信息到一個新的網絡輸入：
您也可以使用規則模塊進行後處理網絡的預測和分類。 測試儀提取物NeuroShell 2為您提供了很大的靈活性，在選擇哪些電子表格的列是輸入，哪些是輸出。
NeuroShell 2可以很容易地拔出從訓練數據測試和生產數據集。該測試儀提取模塊提供了四種不同的方法來選擇數據：
神經網絡的體系結構 設計模塊提供了16種不同的網絡架構/範式對不同類型數據的調色板。（用戶可以通過設置參數來自定義每個網絡架構。）
該NeuroShell 2設計模塊提供了16“圖標，選擇”架構，都與幾個學習方法。你只需要指向和點擊的神經元或重量的鏈接設置參數的“磚”。磚層的子集。 每個網絡體系結構允許你點擊的神經元和鏈接設置參數的磚。
用戶控制用戶可以指定自己的學習速度，動量，激活功能，並在設計模塊一層基礎的初始重量範圍。選旋轉或隨機模式的選擇。選擇多個條件停止訓練。選擇不同的方法來處理缺失數據。用戶可以在培訓，包括修改韓丁圖顯示的重量瀏覽權重值。權重可以在學習期間被修改。 BP訓練該架構包括十二病房系統集團版反向傳播，這已得到增強的速度和準確性。 標準連接 這是後向傳播網絡的標準類型中，它連接或鏈接僅上一層的每一層。 跳轉連接 這是在被連接或鏈接到每一個前面的層的每一層後向傳播網絡的類型。 復發性網絡 這種類型的傳播網絡中經常使用的預測金融市場，因為復發性網絡可以學習序列。因此，他們是優秀的時間序列數據。 正規的前饋網絡響應與完全相同的輸出為每個給定的輸入模式呈現時給定的輸入模式。反复出現的網絡可以在不同的時間，以相同的輸入模式有不同的反應，這取決於先前已提出的輸入模式。復發性網絡構建內部神經元的長期記憶。 沃德籃網 這種類型的傳播網絡中能夠檢測到不同的功能中的數據與在隱含層，每個神經元用多個板坯具有不同的激活功能。激活函數是內部使用的神經元“火”的神經元功能。當你申請一個不同的激活功能，隱藏層的每個板，網絡可以發現新的功能在通過網絡處理的單一模式。
所有的反向傳播網絡包括校準功能，以防止過度訓練（從而大大降低了訓練時間），並增加了概括以及對新數據的網絡的能力。 渦輪螺旋槳飛機這是前饋網絡訓練方法，工作比反向傳播網絡快得多。渦輪螺旋槳發動機為用戶提供了無需學習速率和動量要設置額外的優勢。 Kohonen的體系結構在NeuroShell 2中使用的Kohonen自組織映射網絡是一種無監督的網絡，這意味著它有學習而不被顯示在樣本圖案正確輸出的能力。該網絡是能夠將數據分成類別的指定數量。 PNN架構概率神經網絡（PNN）是眾所周知的訓練稀疏數據集的能力，他們在只有一人過關訓練集的訓練！PNN分離數據到輸出類別指定數目。PNN網絡往往能夠儘早兩個訓練模式可發揮作用，所以培訓可以是遞增的。 GRNN架構遺傳自適應網優化架構和選擇輸入。
像PNN網絡，廣義回歸神經網絡（GRNN）是眾所周知的使用稀疏數據集訓練中只有一人過關訓練集的能力。而不是像分類PNN數據，但是，GRNN的應用程序能夠產生連續值的輸出。 GRNN是連續函數近似特別有用，並且可以通過數據擬合多維曲面。在我們的測試中，我們發現，GRNN的響應比反向傳播好得多許多類型的問題。注意：GRNN的是不一樣的回歸分析！ 遺傳自適應籃網我們的遺傳自適應功能使用遺傳算法來優化我們的GRNN和PNN網絡的網絡結構。與此同時，遺傳算法消除不良的投入，並為您的那些它保留了敏感的因素。此功能使可用的最強大的網絡之中我們今天的遺傳自適應網。 GMDH架構該GMDH學習窗口。
該GMDH高級設置窗口。這是一個更複雜的數學用戶。
NeuroShell 2包括一個非常強大的架構，這就是所謂的數據組處理方法（GMDH）或多項式網。GMDH網推導數學公式是有關的最重要的輸入值來預測輸出變量的非線性多項式表達式。事實上，GMDH網絡並不像常規的前饋網絡，並沒有原先表示為一個網絡。該GMDH網絡與多項式計算中的鏈接和遺傳般的分量來決定有多少層都建立實施。的訓練在輸出層中的結果可以被表示為所有輸入或一些的多項式函數。 GMDH的工作原理是建立連續層複雜的鏈接（或連接）是一個多項式的個別條款。利用線性和非線性回歸創建這些多項式的計算。初始層是簡單的輸入層。創建的第一層是通過計算輸入變量的回歸分析，然後選擇最好的進行。第二層是通過計算的值的回歸的第一層沿與所述輸入變量中創建的。（請注意，我們基本上是建立多項式的多項式。） 再次，只有最好是由算法選擇。這些被稱為倖存者。這個過程繼續進行，直到淨停止改善（根據預先指定的選擇標準）。 由此產生的網絡可以表示為一個複雜的多項式模型（即，一個熟悉的公式）的描述就像那些統計學家使用。您可以查看公式，其中包含最顯著的輸入變量。在某些方面，這是很象使用回歸分析，但它遠遠小於回歸分析功能更強大。GMDH可以建立非常複雜的模型，同時避免過度擬合的問題。 校準校準解決的最困難的問題的神經網絡1 - 知道何時停止訓練。時間越長，網絡學習訓練集，越接近網絡獲取到“記憶”的訓練集。如果你目前的網絡，那是在訓練集的模式，網絡將能夠做出非常準確的預測。但是，如果你目前的網絡，這不是在訓練集的模式，網絡可能不能夠“概括”以及有關的數據還沒有“看到”之前，如果你還讓問題學習時間過長。校準修正這個。 對於反向傳播網絡，校準節約了網絡的點，它給出了最準確的答案對訓練集之外的模式。 對於GRNN與PNN網絡，校準找到最佳的平滑因子，當您應用網絡所使用的參數。遺傳自適應網絡校準與遺傳算法。 雖然幾乎沒有完整而強大的NeuroShell操盤手，NeuroShell 2具有標準功能和選項，使之更容易導入和預處理市場和期貨數據。 ASCII和電子表格文件轉換ASCII和電子表格文件的進口將允許您從一些大眾化的價格檢索服務中導入數據。 復發性網絡和沃德籃網NeuroShell 2包括三種類型完全復發性網絡，這是極好的時間序列，股市，期貨，大宗商品預測。這些架構與可調阻尼因素長期記憶。沃德網捕捉這導致更準確的預測相同數據的不同視圖。 市場指數封裝 （見包含的特性頁）市場指標套票財務或其他時間序列數據提供了150流行和強大的技術指標。
市場指標包是一個NeuroShell 2的選項，它提供150流行和強大的技術indictors可以應用到你的財務或其他時間序列數據。有了這個令人難以置信的選項可以消除大部分需要購買其他的交易軟件。你可以申請指標等指標來你想要的深度！當您添加了優化的市場指數封裝，可以自動找到最合適的指標來適用於你的原始數據或其他指標。它也將找到每個指標最合適的參數，例如，多少天的移動平均線使用。這些，再加上我們的圖形和規則模塊，為您提供內置到您的神經網絡系統強大的交易系統功能。
顯卡設施讓您尋找模式在您的數據。
NeuroShell®2包含大量圖形工具，如折線圖，條形圖，散點圖和高 - 低 - 收盤圖。選項允許您添加3-D效果，並改變顏色或類型的圖形。 這些圖表可以打印在任何Windows兼容的打印機，複製到剪貼板，或者保存在一個文件中。之前和網絡處理後，您可以使用可變圖形模塊創建四個不同類型的圖表： 圖表變量（S）對所有的模式此圖表的類型，您可以在一個文件中繪製不同類型的變量，如廣告費用和銷售成本，在所有的模式。此圖也用於圖形的時間序列數據非常有用。 在模式圖變量集使用該圖來檢查數據，如果所有的圖案的變量是相同的類型，例如，100點的一個生理信號，如心電圖。 相關散點圖使用這種圖表類型在所有模式，以使對另一個變量的散點圖。在同一時間的線性相關係數的計算。 高 - 低 - 收盤圖此圖可讓您從被顯示為一個股票價格的高，低，關閉值數據文件中選擇變量。該圖體現數據中的趨勢。 訓練圖NeuroShell 2，可以顯示訓練集/測試集誤差曲線圖，同時訓練反向傳播網絡。當訓練Kohonen網絡，你可以在任何一個酒吧或餅圖顯示類別分佈的曲線圖。的概率神經網絡（PNN）和廣義回歸神經網絡（GRNN）學習模塊允許你顯示一個平滑因子優化圖形。GMDH網圖表對層數的創建公式的標準值。
當一個訓練有素的網絡應用統計可以查看。
NeuroShell 2讓你分析你的訓練的網絡是如何以及在做各種不同的方式。 對於反向傳播網絡，貢獻因數模塊生成一個數為每個輸入變量。這個數字是一個粗略的測度的那個變量的預測網絡的輸出，相對於在同一網絡中的其他輸入變量的重要性。類似的敏感係數可與我們的遺傳適應性網絡。 當你申請一個訓練有素的傳播網絡，你可以選擇來計算幾個不同的統計數據，包括R平方的倍數確定的統計係數。你也可以計算均方誤差，平均絕對誤差，以及相比於網絡的預測的答案實際答案的最小和最大絕對誤差。也顯示反向傳播網絡是相關係數（r），實際與預測輸出之間的關係強度的統計指標。 對於廣義回歸神經網絡計算的統計數據是相同的反向傳播網絡。 對於概率神經網絡，其中分類數據，所計算的統計數據有關的正確分類模式的號碼，包括真陽性，假陽性，真陰性，假陰性的數量。 數據處理的分組方法（GMDH）為您提供了一個為你的模型的非線性公式。由於它採用回歸分析法建立模型，公式是一個熟悉的一個統計學家。在同一時間，GMDH刪除輸入，是不相關的模型。
NeuroShell 2的運行時系統允許你調用一個DLL火你的網或生成源代碼。
運行時系統，包含在包中，讓您能夠將神經網絡轉換成通過調用動態鏈接庫（DLL），它可以被其他程序調用或Microsoft Excel表格。在運行時模塊也將產生Visual Basic或為您的受過訓練的淨可從非Windows程序中調用C + +源代碼。NeuroShell 2包括免版稅，為您創建使用NeuroShell 2的任何網絡無限的經銷權。 動態鏈接庫（DLL）引物一旦網絡被訓練，就可以在NeuroShell 2處理輸入數據的文件。不過，您也可以在其中建立與您的網絡交互程序或Microsoft Excel電子表格。該NeuroShell 2的DLL底漆可以保存您的網絡，這樣就可以通過一個NeuroShell 2的DLL後重新加載。 例如，如果你以後想從你的C，Pascal中，微軟的Visual Basic編寫的程序執行此網絡時，Visual C + + TM，訪問基本，Delphi等，您將使用的DLL函數FireNet來執行它。你的程序通過網絡輸入到FireNet，並FireNet還給網絡輸出。在Excel中，您將功能預測到一個單元格，通過它的網絡的投入。網絡輸出將被放置到該單元格為您服務。 源代碼生成器無論您選擇哪個網絡架構，源代碼生成器使得它可以訓練端口網絡從NeuroShell 2到非Windows平台上通過生成C源代碼（也基本和普通的公式）。如果你正在使用Windows平台，但是，DLL模塊是更有效地使用。
圖標式操作界面
網絡架構
遺傳適應性網絡PNN和GRNN網絡，利用遺傳算法來找到最好的輸入和網絡架構。 渦槳TM 1 （不要與混淆渦槳TM 2在我們的新產品）使用戶能夠創建一個網絡，而不設定學習速率和動量。它比反向傳播速度更快，同時還概括得很好。 校準防止過度訓練（過擬合），提高泛化。 用戶控制每一層（或什子層稱為板塊）可以有自己的學習速率，動量，激活函數和初始體重範圍。圖案選擇可以是旋轉的或隨機的。選擇多個標準，停止網絡訓練。選擇不同的方法來處理缺失數據。權重可以在訓練進行修改。連接到每個網文字描述文件。 範圍NeuroShell 2有65,535行，32,768列和16,000神經元理論極限。然而，神經網絡將不能有效得多超過2,000投入訓練，以及一些網絡類型失去效力於約400投入和5,000到10,000行（模式），並且可能無法與更高的限制正常的。事實上65,535行是可能的，但是很多老的電子表格程序將只顯示16,000行。我們自己的DataGrid顯示32,000。 輸入靈敏度NeuroShell 2有三種不同的確定取決於網絡類型輸入靈敏度的方法。 規則模塊規則模塊可以讓您套用如果/ THEN / ELSE規則，以您的病毒碼文件。 符號轉換模塊符號轉換模塊將字符串轉換為數值計算，反之亦然。 在線教程NeuroShell 2的在線教程將引導您通過使用NeuroShell 2，創建一個工作應用程序所需的步驟。 兩個教程中的示例程序，其中包括它利用股市數據，都包含在聯機手冊和分佈軟盤。示例程序包括了反向傳播，Kohonen的，PNN和GRNN網絡。還提供了其他一些例子。 圖形功能
文件導入/導出以下格式的導入和導出文件：ASCII碼，二進制文件和電子表格。
市場指標套餐 市場指標套票財務或其他時間序列數據提供了150流行和強大的技術指標。
此功能也稱為時間序列指示器套件。市場指標包允許你建立了一套從原料證券市場或期貨數據，如高，低，關閉和量指標複雜。當執行財務或其他時間序列的預測，通常需要由表示從過去的網絡特定的功能來增強時間序列數據。此增強功能使得它更容易為淨，以確定趨勢。該指示燈包裝有150的技術指標市場分析師已使用多年的預測。該指示燈包裝從原始數據計算出這些指標，並將它們放入您的電子表格，使他們可以作為額外的輸入到網絡。 市場指數封裝與優化 優化器可以自動選擇最佳的指標，並為indictors相應的參數。
包括與市場指數封裝優化器允許您選擇的指標最好的指標和相應的參數。例如，假設你選擇像一個滯後均線的簡單指標。你應該多長時間落後了，你應該怎麼長的平均值為呢？優化器會告訴你，這些東西根據您的數據。它還將通過各項指標運行，並告訴你最好的使用為您的數據。 批處理器選項 批處理器選項可自動運行多個問題或一個問題的變化。
NeuroShell 2有一個直觀的圖形用戶界面，可以讓你配置你的網絡，並以交互方式運行它們。但你可能需要設置了數十個，甚至上百個，蚊帳，並自動運行它們一個接一個不被附近的電腦（例如一整夜）。批處理器做到這一點。基本上，你加載每個問題分解成一排的矩陣。第一行是一個基地問題，以及隨後的行（通常）的基問題的變化。該列包含訓練集，配置信息，以及數據集訓練後的網絡將被應用到。有多個選項卡，這樣你就可以把多台矩陣，每個國家都有它自己的基本問題。 您也可以使用批處理器到以前訓練網適用於不同的數據文件。 當所有運行完成後，日誌文件會顯示該網提供最好的結果。你得到了應用文件中的每個網絡和姓名（或名稱）的統計匯總。 比賽設限選項 種族設限選項是用來預測比賽結果和解決其他的排名問題非常有用。
這個包也被稱為數據排行包。神經網絡經常被用來成功地預測賽馬或賽狗或其他的排名問題的結果。輸入的數據可以包括在可能的地方完成有關條款各馬與網絡居馬場的變數。神經網絡，然而，在做排名的兩匹馬的時間，而不是排名多達八個或更多的時間要好得多。所以設限包“爆炸”的訓練模式進入一次取兩個八匹馬所有排列。那麼純使用該文件來學習位居兩匹馬。成對的排名，然後自動進行分析，得到你的排名的八個整場。 圖形附加 圖形附加創建一個受過訓練的網絡輸出的三維圖。
圖形附加創建一個受過訓練的網絡的輸出值的三維圖，因為它是通過改變兩個選擇的輸入變量計算。輸入被顯示為X和Y尺寸，輸出顯示為尺寸Z。 該圖是在確定兩個輸入變量如何影響淨輸出有用。該計劃選擇最顯著的投入作為X和Y尺寸的默認值。 對於反向傳播網絡，最顯著的輸入變量是由貢獻因子模塊決定。對於遺傳自適應廣義回歸網絡，遺傳算法確定最顯著的投入。你也有選擇的軟件包，它輸入到圖形。 該方案包括一個圖形嚮導，它允許你改變圖片的屬性。 |
|||
