国家气象局降雪预报

Paul Roebber是密尔沃基威斯康辛大学的大气科学教授——他曾在加拿大魁北克的蒙特利尔麦吉尔大学获得了大气科学博士学位，目前他正主要集中研究改善天气预报系统。

Roebber先生使用NeuroSolutions的定制解决方案向导和源代码库已有8年时间，在使用NeuroSolutions的过程中，他开发了一套测量雪密度的系统，这套系统已被美国国家气象局用于降雪深度的预测。Roebber先生使用过几种不同类型的神经网络结构,包括主成分分析(PCA)和多层感知器(一个和两个隐藏层)来完成包含10个独立系统的综合人工神经网络系统。

他的系统正确诊断出了60.4%的下雪事件，这比起以前41.7%的比例有很大的改善。同时，该系统预测未来10天的气象和美国国家气象局新降雪融水转换方面也分别有45%和51.7%的正确率。Heidke技巧评分是测量实际预报比随机预报准确率好多少的分数，其值是介于-1到1之间，实际预报越准确值越高，当达到完全准确时，评分为1。Roebber先生的系统Heidke技巧评分为0.34 - 0.42，这比起其它那些技巧方法高出了75% - 183%。

Roebber先生认为在同类的神经网络产品中，没有谁能够和NeuroSolutions形成竞争。而他最喜欢NeuroSolutions的地方是能够快速构建神经网络和其在神经网络方面良好的文档背景。

英文案例原文>>

使用卫星图像绘制森林类型和变化

METRIA Miljoanalys是瑞典的一个咨询团队，他们为国家林业委员会、环境保护署(EPA)和渔业署等多个政府机构开展环境工作。Mats Rosengren是这个团队其中的一员，他拥有应用物理工程学的学位，并在遥感领域工作了25年。在过去6年时间里，Rosengren先生一直在使用NeuroSolutions和NeuroSolutions Excel，还参加了在佛罗里达州奥兰多的神经网络课程。

他们的团队通过遥感卫星图像，使用多光谱传感器数据来绘制森林类型、森林的变化以及从地图的图集中提取统计信息。绘制森林类型和变化所得到的图像信息对于林业公司是至关重要的，这样做可让他们用于数据库保持在最新状态，方便计划和森林管理。此外，图像还被用于在太空的角度绘制整个地面的利用情况、植被状况、海水深度、海岸线以及测量海底的植被情况。

比起其它方法更好的是，如果使用NeuroSolutions则无须为应用程序的分类和回归建立一个数学模型。在遥感中常用的分类方法是基于正常分布类的假设，使用NeuroSolutions而非其他分类和回归方法通常可节省高达25%的项目时间和成本。

Rosengren先生处理的大多数问题可分为10个不同的类别，这其中往往有重复的，难区分的。他使用各种神经网络拓扑结构——比如在森林分类问题上采用自组织映射(SOM)、主成分分析(PCA)、径向基函数(RBF)网络和多层感知器(MLP)网络，通过创建广义模型来帮助解决问题。Rosengren先生为他的咨询团队选择NeuroSolutions的原因是它很容易上手并且它的互动书籍能够帮助用户理解神经网络并快速参与进NeuroSolutions的工作中来。

英文案例原文>>

NeuroSolutions的应用案例集1>>

NeuroSolutions的应用案例集2>>