NeuroShell Predictor - 神经网络预测软件-北京睿驰科技

neuroshell_predictor封面

넳 넲

用于预测、预报、估算与变量重要性分析的神经网络建模工具

NeuroShell Predictor 是一款面向预测建模、数据预报和估算问题的神经网络软件，可读取和写入文本文件，便于与电子表格及其他程序交换数据。

软件提供 Neural Method 和 Genetic Training Method 两类训练方式，并通过 Instructor 向导引导用户完成数据选择、输入输出设置、模型训练、样本外测试和结果应用等步骤，适合用于业务预测、科学数据建模、金融数据分析、销售预测和工程研究等场景。

核心功能方向

两类训练方法

Neural Method 基于 TurboProp2 算法；Genetic Training Method 基于广义回归神经网络 GRNN 的遗传算法变体，可按数据量和建模目标选择。

变量重要性分析

两种训练方法均提供独立变量，也就是输入变量的重要性分析，便于用户判断不同字段对模型结果的影响。

Instructor 建模向导

内置 Instructor 引导用户逐步建立预测模型，并在各阶段提供帮助信息；熟悉流程后也可通过工具栏或菜单操作。

文本数据读写

支持读取从电子表格导出的数据，并以数据网格方式显示；也可写入文本文件，便于与多种外部程序配合使用。

样本外数据设置

可选择连续或随机数据行作为训练集和样本外数据集，用于观察模型在不同数据划分下的表现。

模型调用与分发

如需把生成的神经网络模型嵌入自有程序或分发模型结果，可结合可选的 NeuroShell Run-Time Server 使用。

训练方法说明

训练方式	说明
Neural Method	基于 TurboProp2，这是一种由 Cascade Correlation 算法发展而来的训练方法。该方法可动态增加隐藏神经元，并减少传统反向传播算法中大量手工参数设置的工作。
Genetic Training Method	采用 Donald Specht 提出的 General Regression Neural Network（GRNN）相关思路，并结合遗传算法。该方法以样本外方式训练，包含 one-hold-out、jackknife 或 cross validation 这类验证思路，适合训练样本较少时进行模型探索。

软件图示展示

电子表格数据导入与数据网格显示

输入变量、输出目标和训练方法选择

Neural Method 参数设置流程

NeuroShell Predictor Genetic Training Method 图示

Genetic Training Method 与优化目标选择

训练后模型应用到训练数据或样本外数据

3D 图形插件用于灵敏度分析

外汇预测模型输入变量分析示例

销售预测输入要素分析示例

典型建模流程

1. 导入数据

从电子表格或其他程序导出文本数据后导入软件，并在数据网格中查看字段与记录。

2. 划分数据行

选择连续或随机数据行，用作训练数据和样本外数据，便于后续模型验证。

3. 设置输入与输出

从数据列中选择输入变量和目标输出，并按项目需求选择 Neural Method 或 Genetic Training Method。

4. 训练与应用模型

完成训练后，可将神经网络模型应用到训练数据或样本外数据，并结合图形分析查看输入影响。

适用场景

业务与销售预测

适合服务量、客户交易、预约量、销售量、工作负载、库存和现金流等数据预测类任务。

科学与工程建模

可用于光谱分析、质量控制、物理系统建模、地球物理研究、农业实验和水资源管理等数据建模方向。

金融与经济数据分析

适合用于经济指标、价格序列、外汇模型输入分析等预测研究场景，结果需结合业务判断使用。

模型嵌入和结果调用

对需要在自有程序、Excel 或 Web 页面中调用已训练模型的用户，可结合 Run-Time Server 规划部署方式。

系统支持

操作系统	支持 Windows 11 和 Windows 10。
虚拟环境说明	在 Mac 或 Linux 的虚拟 Windows 环境中运行时，程序通常可运行，但技术支持范围以 Windows 11 和 Windows 10 为准。
硬件说明	需要使用配备 Intel 兼容处理器的 PC，例如 AMD 处理器，并至少配备 256MB RAM。
相关组件	GeneHunter 和 NeuroShell Run-Time Server 可在近年版本 Excel 中作为 64 位或 32 位应用运行。