神经网络软件操作手册-Neurosolutions0

1、打开Neurosolutions,进入以下界面
值
点击NS Excel '
按钮，在Excel 加载项中出现Neurosolutions 项。

者文件封 硝如 祖眼⑵ 插入⑴ 梏式约 工具。

的据此 窗口口 增助如 咯1171t :加
口与0昌国导融X 。

息-W g 》包£1
曲鼬？宋^
2、标记数据
选定指标数据列(x1 x5),点击Neurosolutions 菜单选择Tag Data 下Column(s) As Input 选 项，将(x1 x5)标记为输入。

选定指标数据列y,点击Tag Data 下Column(s) As Desired 选 项，将y 标记为输出。

选定第1到53个样本所在的行，点击Tag Data 下Row(s) As Training 选项，将其标记为训练集。

最后选定第53到58个样本所在的行，点击Tag Data 下Row(s) As Testing 选项，将其标记为测试集。

标记完成后界面如下。

力文杵0 ««'E：'福图也人工I 格加0 IM'I)她存艰 营口的 也助如 乐u&LW.a 口片& 寻&晶怪五，U M 唾些 I ：**
磔
3、预处理数据
点击Neurosolutions 菜单，选择Preprocess Data 下Randomize Rows 选项，完成数据处理， Excel 出现 sheet1Randomize.
亘］交件区i锚强£J次困以置入UJ格式®।IflCU 窈竟亚।宙口-J黜助皿Heur由IxLi皿
□N kl 目鼻咎EL占心T ,他E TIMIB鄱B：^
:、B c0E F:H I
■
2 4U713
34QB95
q 4峥9
5 4U692
8 4069T
7
S40G93
9 4067&
IO4Ci?17
1140705
1245r o 9
13iUB&il
1440&E2
1540719
IE4U706
17口 ,一
16：
'■''
1940BBD
如4涮5
21406B3
2240679
Z3 4Q&7B
.:;4U71D
2E-40705
EE 407 IS
274067E.ME
4、建立BP神经网络模型
选择Excel的sheetl工作表界面，点击Neurosolutions菜单，选择Create/Open Network下的New Custom Network选项，出现以下界面。

点击良咨口按钮，出现模型参数设置界面。

Close
设置1个隐层层数，点击［O 羽按钮，对隐层参数进行设定，出现界面如下。

Thie p 也配is u 白s 日忱 gpg ciiy the 口时就h 疵坨 e loytf of pro cts suig elements (PE 加 NeutoSohiboijs 6迸支114。

门£ aie vector based fbt
efficiency. This implies thit c 4ch layer CLrtilHixif a vectnt afPEs and that. the P 好am 国:erg & M B 也由 apply to Iha entire Ytcior. Th.c parameters orc dependent on the MUI al tno del, tut aUfequue a±icifilin&：24ity fMCtianLD spBcify tbe .h_p
设置隐层处理单元为4个，激活函数SigmoidAxon,学习规则选择Momentum,步长为1,冲量 为0.7,都为系统默认值。

点击mm 按钮，
对输出层进行参数设定，出现界面如下。

Nsiuraltliiil.dcr nidi til-ayAf F 自『已白pirun
Geiieral] ced. Feed. F □rv -=a -d
FJH TI I M jlewral Meivark iLsn/Elrrig 3le tnrork
Trine: pal Ccnpan 皿t Xri^lyEiE (F MF/GRIW/Fm
Self =
Orj€irii rinj FeatKire N 叩 ffet
7ine-Lac Fiecurrcni Ke EtcniTeat Mttwark
CMfJIS Jfgtvoirk (?uziy Ltgic) Siippcrt Vftctar Flndhiiw ： Neural Model
■,.........r -u "............... ：
点击一二』按钮， Mulh]a.yer peicep trans (MLPsli st e layered Fee dfamr-sid. networks LypiceJLy ttoied wi1h static backpropagatiLdi These nctwraiishttrc fbundtliEir
Welcattw to the
t l euralBuildEr SLsrLing unh,h y 仃比 如t& thle tool 喇E walk you ih£Dugin, ftv:- pracess af designing end 1x 施Log a neural neiwotk. There are tnsEgr differeuL types of neutaJ netvKarfci, but mosL c-sn be claeaifiBd ae halnngmgtn one of the
msjorparidjgtns listed to ih& LtfL Each F uidi 写m. irJl have advantages and dis sdvintiits defending on
^outpailicilla pile 0±L
将设置隐层层数。

出现界面如下。

Multilayer
IiAuHiltiyer peTceptiDns (MLPs) aielajr«crd fEedforward
nELvKorks ^rpic al^r if ained- mth Btstic h ackpiopagalion. He« you amply specif]/ the nuinbeT afhiddtn layeis. TI WSE neiwacks have found their wa7 into 如uud 的白 8pplrequiting static p classificition. Theit tnan nJv-antsgts irt UiM thty irt t-ssy touse r 3t they c an. approiiiria.te any input/oulput map. The key
| f luldrn l.aypr
Help
FEs ：
Kiddisu
HfMir.tBuil 加「
Output TE 院 :MErrLws ：
恸 NeuralButlder
Output Layer
GA
This paxslic wed to 邨 B —方 the patw^tere a l 纣打 cf pro c BSflkig
4
FroreEsiDg
卜
r
$1 amenta (fEs). N B^uoSalu1ian£
Trarisfer
|5i gjiai dAyon 可 |
♦mH 曲。

门s ate vteter based fbi efficiency. This? utrplies that each Layci cunt-iins o v”Er ofPEs
Learai Dg | Han 16ntm
工
Step Si Ei?
p
ICOJ 。

NoneaiTiiri 700000
r r
and ih 口匕 the pajunciru 5riectrd apply io th? entire vtcior The p 打am 父aie dependent
□n the fitful aj modeL. but ：=djrec[uiie a nemliueadty pLmctaon to specify 1lie
1-1 L
Clo
EE J «
匚二
1
步长为0.1,冲量为0.7,都为系统默认值。

点击至3按钮，设置最大迭代次数，出现界 面如下。

设置最大迭代次数为6000次，选定MSE 按钮，设置标准误差参数为0.01，选择批量更新
Batch 按钮。

点击区驾工按钮，出现以下界面。

点击L 班逗二按钮,BP 神经网络模型设立完成，出现界面如下。

(Supervised Le lining
Nuiimuni Z PQC I LL
|firrr
7 comdrvk 七 L on W
ThrQckol^ |0. 01
W NiniiTian ?* Tfaining &
Increment &「
广 I II ci'ease 厂 L^al E EE I on la 牛eight Update
「 OnrLLn 白
C*" B ch
The Mazdmum Ep o chs field sp c cifie § how moil iLeiationst over toe traitidiig set) mil be
dotie if no othei cfiiciion kicks The Etrot Change toaii CDixtame the p ：af ：iineiers used to t 十mijnak the tidtiiig based oiinean £qua±ed etrof.
The N eut ；ilBujl(lei has Il/ISE LettBirtadon Activated by chfeult To tennixLat^ the izairing strictly based on the
]:e lp
5、训练神经网络
选择Excel 的sheetlRandomized 工作表界面，点击Neurosolutions 菜单，选择Train Network 下的Train选项，出现以下界面。

在Train name中填入名称为train1，迭代此处为6000次，点击I一三一I按钮，出现以下界面。

E y加珏n Mcxk tefo-lftlLTi
Tharkyau F CT Irst 国tng ths vers kin af
i,i feunSolutons Esoel. Ths software is Kfentical to tk 启网5E vetfibnaf 除uroRuti 如fa-日工4 白底
eat for the Fdlohira Imtattirf：
LimitatDrs
-McLxrrmm tf 3 outputs;
-MaKinum cf 3CunpJs
-Meccmum D F500 Excrplars
-Mdxrrmrn tf 300D (inp心x 曲酊病白功
Ycu msy use tlx evslijatcn vw'sonaf ths 5Mt科附free 口f 仃中单fet 6D d中a 开you 内Wd Ite to 口
trthasa an urrefljlcted verslEri of PleupSahmrs far E HD=L pJtase contact Neur[£)iniB-isEri to piece an
order.
Order Info ：Canta± NeurcOmenaon ：due
点击Cl°Se按钮，得到Train1training Report和Train1training MSE两张工作表，结果如下。

MSE versus Epoch
Training MSE
600 1199 1798 2397 2996 3595 4194 4793 5392 5991
Epoch
6、测试神经网络
选择Excel的sheetlRandomized工作表界面，点击Neurosolutions菜单，选择Test下的test 选项，出现以下界面。

lest
在Trial name中填入名称为test1，在Dataset to Test中选择Training，点击I----- 按 -- 1按钮，出现以下界面。

E'/akJsttin 也由gsolgtin
Thanh, Far Inst对「力the evsIuaBon ytrsonoF
FiJeLToSDlitEris fcr Escri. 7Hs saH^iare k ichriical to the 启用总vetsfariof NeuroSdUUizrif far
ExN e^ept For the imtstord：:
Limtatbns
-Maxinum tf 3 output。

-Max mum cf 3D inputs
-MeocmLm D F'300 exefrplaT.
-MMftjni tf SCiOD flrpiJts K exemplars)
Yru mey use evaluation xerson of ths siftwa■七Free- aF change for 60 days. ]f yau lAraiid Ike I D 口
irtha9a en urreEtrmad verskin of PJairo%lution与for E XE L cont-act NcijrcOnitnson to place -an
orefer.
Ortfer ]rfo [Cantadt NeurcC4meridc>ri ；Ckj£&
Performance y
MSE 1.59298E-07 NMSE 0.049432915 MAE
0.000334578 Min Abs Error 1.11036E-06 Max Abs Error 0.000899092 r
0.975037668
7、预测次日收盘价
点击Neurosolutions 菜单，点击Tag Data 下Row(s) As Production 的选项，确定要预测的样 本。

然后点击Neurosolutions 菜单下Apply Production Dataset 的最终得到预测数据。

注 34376765
0.34406304S 伐 343^3876
0.344078318
点击
Close
按钮，得到Testltesting Report 和Testltesting MSE 两张工作表，结果如下。

Desired Output and Actual Network Output
1 5 9 13 17 21 25 29 33 37 41 45 49
Exemplar。