國家氣象局降雪預報

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

Roebber先生使用NeuroSolutions的定制解決方案向導和源代碼庫已有8年時間，在使用NeuroSolutions的過程中，他開發了一套測量雪密度的系統，這套系統已被美國國家氣象局用于降雪深度的預測。Roebber先生使用過幾種不同類型的神經網絡結構,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個獨立系統的綜合人工神經網絡系統。

他的系統正確診斷出了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，該系統預測未來10天的氣象和美國國家氣象局新降雪融水轉換方面也分別有45%和51.7%的正確率。Heidke技巧評分是測量實際預報比隨機預報準確率好多少的分數，其值是介于-1到1之間，實際預報越準確值越高，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網絡產品中，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建神經網絡和其在神經網絡方面良好的文檔背景。

使用衛星圖像繪制森林類型和變化

METRIA Miljoanalys是瑞典的一個咨詢團隊，他們為國家林業委員會、環境保護署(EPA)和漁業署等多個政府機構開展環境工作。Mats Rosengren是這個團隊其中的一員，他擁有應用物理工程學的學位，并在遙感領域工作了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網絡課程。

他們的團隊通過遙感衛星圖像，使用多光譜傳感器數據來繪制森林類型、森林的變化以及從地圖的圖集中提取統計信息。繪制森林類型和變化所得到的圖像信息對于林業公司是至關重要的，這樣做可讓他們用于數據庫保持在最新狀態，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則無須為應用程序的分類和回歸建立一個數學模型。在遙感中常用的分類方法是基于正常分布類的假設，使用NeuroSolutions而非其他分類和回歸方法通常可節省高達25%的項目時間和成本。

Rosengren先生處理的大多數問題可分為10個不同的類別，這其中往往有重復的，難區分的。他使用各種神經網絡拓撲結構——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(RBF)網絡和多層感知器(MLP)網絡，通過創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網絡并快速參與進NeuroSolutions的工作中來。

NeuroSolutions的應用案例集1>>

NeuroSolutions的應用案例集2>>