Neuro Solutions神经网络软件

類神經網路的應用-科學應用
醫學（例：皮膚病診斷、頭痛疾病診 斷、心臟病診斷、基因分類） 化學（例：化合物化學結構識別、蛋 白質結構分析） 其他科學應用（例：體操選手運動傷 害分析、時間數列分析方法選擇）
類神經網路的優點
類神經網路可以建構非線性的模型，模型的 準確度高。 類神經網路有良好的推廣性，對於未知的輸 入亦可得到正確的輸出。 類神經網路可以接受不同種類的變數作為輸 入，適應性強。 類神經網路可應用的領域相當廣泛，模型建 構能力強。 類神經網路具模糊推論能力，允許輸出入變 數具模糊性，歸納學習較難具備此能力。
資料收集
從網路上下載有 關台股指數之資 料 載此選擇台灣加 權指數為測試目 標
資料收集注意事項：
儘可能收集您要作為分析的資料 若是您的資料是從實驗中求得，那麼你所作的實驗的 樣本數也要儘可能地多，因為越多的資料，對類神經 而言，可以讓它作適度之歸納。 若您的資料量本身不是很多，您可以複製多筆資料來 作為訓練之用，但是有可能造成類神經網路的信賴度 會不夠。 根據您的目的Target來收集資料，因此您必須了解資 料的結構、屬性以及特性，這些就是所謂Domain。唯 有了解這一個領域的人，才知道他要做的是什麼、所 需要的是什麼資料，這些資料未來會有何用處。
類神經網路 模型
Output
Neural Network Model
Brain Neuron (生物神經元)
w1 w2
Inputs
Artificial neuron (人工神經元)
f(net)
wn
人工神經網路為一系列 的處理單元，處理單元 透過神經樹之連結藉以 input 調整連結強度(權重)來 輸出。
何謂類神經網路
類神經網路並不需要瞭解系統的數學模型，直接以神 經網路取代系統的模型，一樣可以得到輸入與輸出之 間的關係。 類神經網路和迴歸分析不同，沒有任何假設的機率分 佈，是模式識別和誤差最小化的過程，在每一次經驗 中提取和學習資訊。 類神經網路可以處理連續型和類別型的資料，對資料 進行預測。
Input
NeuroSolution案例介紹
台灣加權指數預測
前言
想要運用類神經來作為解決問題之工具，必須要 先了解類神經的流程步驟，其流程如下：
訂定目標 資料收集與資料處理(包含資料篩選、資料清理、屬 性資料分析與歸類) 建立模型 訓練模型 模型測試與分析 結果評比 實際應用
類神經網路製作流程
確認目標 建立類神經 網路模型 網路結果 評估
Training Data之對話框說明
當載入檔案之後，勾 選的Prediction檔案 之後，並設定Delta值 點選要作為預測之目 標值的欄位，將之點 選設定為Predict。
Training Data之對話框說明
GA選項 在Training Data的對話框 中，輸入資料的項目前面， 可以看到GA的選項 一般狀態是不會設定是否要 執行GA(基因演算法) 若勾選GA選項之後，則後續 會加入基因演算法來進行最 佳化搜尋。
-擁有足夠範例資料來讓神經網路作適當之 歸納。 -適度的訓練 -資料中的關係變數無絕對之影響變數 -針對監督式學習需要有期望輸出值(目標值)
訓練，輸入值為其關鍵
信賴度
Neural networks are very powerful 對於神經網路之是基於訓練之資料上。 若資料不足則沒辦法修正權重作業。 透過充分資料之訓練的神經網路，是可 信賴的。
資料前處理
製作五 日平均 收盤價
資料前處理
將前五筆資 料予以省略 將資料複製 貼到記事本 中，並建立案存成 Desired。 將資料蒐集完 畢，並存成檔 案後，就可以 開始進行建立 類神經模型。
檔案分類(訓練用 or 測試用)
在檔案分割時，可以將全部檔案的4/5用 為訓練之用，另外的1/5的資料作為測試 之用。 並將檔案分別存檔如下圖：
隱藏層介於輸入層和輸出層之間，這些層完 全用於分析，其函數聯繫輸入層變數和輸出 層變數，使其更配適(fit)資料。 目前尚沒有統一的標準方法可以計算神經網 路的最佳層數。 一層加權神經元的網路稱單層感知器，多層 加權神經元的網路稱多層感知器（multilayer perceptrons）。
MP(MultiLayer Perceptron) 模型公式：
BPN原理簡單介紹
提供範例資料給神經網路 神經網路運算後產生輸出資料 神經網路運算後產生輸出資料並比 較滿意值 修正網路中之權重以降低誤差
產生輸出資料 目標值
範例資料輸入
網路 權重w 修正權重參數
輸出值與目標值比較
差異 誤差
訓練演算法
Neural Networks的要求
神經網路學習是透過範例來讓網路收斂， 因此輸入資料必須為：
output
人工類神經介紹
神經元狀態分成興奮及抑 制二種，以1代表興奮，以 0代表抑制 神經元與其他神經元間以 神經節連結，可用加權值 代表神經節之連結強度 神經元之狀態會透過神經 節輸出至其他神經元，而 成為其他神經元之狀態輸 入
w1 w2
Inputs
f(net)
wn
Artificial neuron
類神經網路的應用-工業應用
控制器設計與系統鑑別 產品品質分析（例：汽水瓶裝蓋與填充監測、珍珠分級） 機電設備診斷（例：數值電路診斷、類比IC診斷、汽車引擎 診斷） 化工程序診斷 （例：化工廠製程故障診斷） 實驗資料模型建立 （例：複合材料行為模型建立） 工程分析與設計（例：鋼樑結構、道路鋪面狀況評級）
Yj = f(net j) Yj處理單元函 數 net j = ΣWij Xi – θj
Wij = 連結強度 Xi = 神經元i所傳來之訊號 θj = 神經元j之閥值 f = 轉換函數，通常為階 梯函數(Step function) f(x) = △Wij = ηXi Xj η：學習速率，控制權重修正 幅度 {T}目標輸出量 {Y}推論輸出量 δ差距量 ，用來修正權重 差距量 = 目標輸出量 – 推論輸出量 => δj = Tj – Yj 權重改變量 => △Wij = η‧δj‧Xi 輸出單元閥值改變量 => △θj = - η‧δj 總錯誤率 = 誤分類案例總數/範例種 數
訓練資料及測試資料分類
在資料收集之後，經過整理，會將資料分成訓 練之用與測試之用等資料檔案2種。 訓練資料是用來網路訓練之用，藉由訓練來收 斂網路權重。 測試資料則是用於網路測試之用，用來測試網 路是否準確，是否有經過充分訓練，是否可以 應付未來所要發生之問題。
台灣加權指數之資料處理
經由下載之後，我們開啟檔案，發 現在檔案裡頭中，總共有幾個欄位， 分別為Date(日期)、Open(開盤價)、 Close(收盤價)、Value(成交量)。 日期對我們在類神經中可能用處不 大，因此我們可以省略。 而我們主要目的是要預測收盤價， 因此可以用的參數只有開盤價 (Open)、成交量(Value)，只有兩 個變數對類神經網路來說，可能會 太少，因此使用者可以再將再財務 金融所學到的一些Index運用進來。 因此，我們再自己新增一個五日均 線值，以作為預測之指標值之一。
資料整理
台灣加權指數預測之目的： 預測收盤價
資料整理
影響類神經網路之精確度的主要變數有兩個，一個是資 料、另一個就是訓練的長度。 資料收集與整理時，唯有了解該領域(Domain)的人，才 知道他要整理哪些數性的資料會影響到目標值的變化。 由於良好可信賴之類神經網路，都是藉由訓練而來，而 訓練的資料品質是好的、所提供的資料屬性是對目標值 是有貢獻的話，則網路訓練出來就會比較好。 訓練良好的類神經網路，其適用性才會廣，才會較為準 確。 資料整理變成為類神經之製作的前一步重要課題。
類神經網路的缺點
類神經網路的隱藏層可為以1-2層，數目可設為任意數 目，且有學習速率等參數需設定，工作相當費時。 類神經網路以迭代方式更新閥值，計算量大，相當耗費 電腦資源。 類神經網路的解有無限多組，無法得知哪一組的解為最 佳解。 訓練過程中無法得知需要的神經元個數，太多或太少的 神經元均會影響系統的準確性，常以試誤方式得到適當 神經元個數。 類神經網路是以建立數值結構（含加權值的網路）來學 習，其知識結構是隱性的，缺乏解釋能力。
NeuroSolutions 類神經網路模擬介紹
決策分析研究室
何謂類神經網路
類神經網路的靈感源自於腦神經學，其基本概念是希 望透過模擬人腦結構的方式來建立新一代的電腦處理 模式。(中山大學 機電系 嚴成文教授) 運用電腦（軟、硬體）來模擬生物大腦神經的人工智 慧系統，並將此應用於辨識、決策、控制、預測，‧ ‧ ‧ 等等。(真理大學工管系 邱寬旭教授) 類神經網路（ Neural Network，NN）類似人類神經結 構，是「一種基於腦與神經系統研究，所啟發的資訊 處理技術」。具有人腦功能基本特性：學習、記憶和 歸納。(輔仁大學統計資訊學系 謝邦昌教授)
策略管理（例：市場需求量預測方法之 選擇、雇工人數規畫） 時程管理（例：排程策略選擇、工作排 程） 品質管理（例：管制圖判讀、半導體製 造過程所需蝕刻時間估計）
類神經網路的應用-資訊應用
影像辨識系統（例：指紋識別、衛星 遙測影像分析、醫學影像識別） 訊號分類 其他資訊應用（例：雷達訊號分類、 聲納訊號分類）
類神經網路的應用-商業應用
股票投資（例：大盤基本分析、大盤技術分析、 個股技術分析） 債券投資（例：債券分級、美國國庫券利率預測） 期貨、選擇權、外匯投資（例：期貨投資、選擇 權投資、外匯投資） 商業信用評估（例：貸款信用審核、信用卡信用 審核）
其他商業應用（例：直銷顧客篩選、不動產鑑價）
類神經網路的應用-管理應用
(人工神經元)
類神經網路的架構
類神經網路主要結構是由神經元（neuron）、層（layer）和 網路（network）三個部份所組成。 整個類神經網路包含一系列基本的神經元，通過權重（weight） 相互連接。 這些單元以層的方式組織，每一層的每個神經元和前一層、後 一層的神經元連接。