國家氣象局降雪預(yù)報

Paul Roebber是密爾沃基威斯康辛大學(xué)的大氣科學(xué)教授——他曾在加拿大魁北克的蒙特利爾麥吉爾大學(xué)獲得了大氣科學(xué)博士學(xué)位，目前他正主要集中研究改善天氣預(yù)報系統(tǒng)。

Roebber先生使用NeuroSolutions的定制解決方案向?qū)Ш驮创a庫已有8年時間，在使用NeuroSolutions的過程中，他開發(fā)了一套測量雪密度的系統(tǒng)，這套系統(tǒng)已被美國國家氣象局用于降雪深度的預(yù)測。Roebber先生使用過幾種不同類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),包括主成分分析(PCA)和多層感知器(一個和兩個隱藏層)來完成包含10個獨立系統(tǒng)的綜合人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

他的系統(tǒng)正確診斷出了60.4%的下雪事件，這比起以前41.7%的比例有很大的改善。同時，該系統(tǒng)預(yù)測未來10天的氣象和美國國家氣象局新降雪融水轉(zhuǎn)換方面也分別有45%和51.7%的正確率。Heidke技巧評分是測量實際預(yù)報比隨機預(yù)報準確率好多少的分數(shù)，其值是介于-1到1之間，實際預(yù)報越準確值越高，當達到完全準確時，評分為1。Roebber先生的系統(tǒng)Heidke技巧評分為0.34 - 0.42，這比起其它那些技巧方法高出了75% - 183%。

Roebber先生認為在同類的神經(jīng)網(wǎng)絡(luò)產(chǎn)品中，沒有誰能夠和NeuroSolutions形成競爭。而他最喜歡NeuroSolutions的地方是能夠快速構(gòu)建神經(jīng)網(wǎng)絡(luò)和其在神經(jīng)網(wǎng)絡(luò)方面良好的文檔背景。

使用衛(wèi)星圖像繪制森林類型和變化

METRIA Miljoanalys是瑞典的一個咨詢團隊，他們?yōu)閲伊謽I(yè)委員會、環(huán)境保護署(EPA)和漁業(yè)署等多個政府機構(gòu)開展環(huán)境工作。Mats Rosengren是這個團隊其中的一員，他擁有應(yīng)用物理工程學(xué)的學(xué)位，并在遙感領(lǐng)域工作了25年。在過去6年時間里，Rosengren先生一直在使用NeuroSolutions和NeuroSolutions Excel，還參加了在佛羅里達州奧蘭多的神經(jīng)網(wǎng)絡(luò)課程。

 他們的團隊通過遙感衛(wèi)星圖像，使用多光譜傳感器數(shù)據(jù)來繪制森林類型、森林的變化以及從地圖的圖集中提取統(tǒng)計信息。繪制森林類型和變化所得到的圖像信息對于林業(yè)公司是至關(guān)重要的，這樣做可讓他們用于數(shù)據(jù)庫保持在最新狀態(tài)，方便計劃和森林管理。此外，圖像還被用于在太空的角度繪制整個地面的利用情況、植被狀況、海水深度、海岸線以及測量海底的植被情況。

 比起其它方法更好的是，如果使用NeuroSolutions則無須為應(yīng)用程序的分類和回歸建立一個數(shù)學(xué)模型。在遙感中常用的分類方法是基于正常分布類的假設(shè)，使用NeuroSolutions而非其他分類和回歸方法通常可節(jié)省高達25%的項目時間和成本。

Rosengren先生處理的大多數(shù)問題可分為10個不同的類別，這其中往往有重復(fù)的，難區(qū)分的。他使用各種神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)——比如在森林分類問題上采用自組織映射(SOM)、主成分分析(PCA)、徑向基函數(shù)(RBF)網(wǎng)絡(luò)和多層感知器(MLP)網(wǎng)絡(luò)，通過創(chuàng)建廣義模型來幫助解決問題。Rosengren先生為他的咨詢團隊選擇NeuroSolutions的原因是它很容易上手并且它的互動書籍能夠幫助用戶理解神經(jīng)網(wǎng)絡(luò)并快速參與進NeuroSolutions的工作中來。

NeuroSolutions的應(yīng)用案例集1>>

NeuroSolutions的應(yīng)用案例集2>>