GRNN和PNN神经网络简介与MATLAB实践

目录

GRNN（广义回归神经网络）

PNN（概率神经网络）

RBF、GRNN、PNN总结对比

MATLAB实例：鸢尾花种类识别

---

GRNN（广义回归神经网络）和PNN（概率神经网络），与RBF非常的相似，请先看上一篇博文《简单直白理解RBF神经网络及其MATLAB实例》，了解一下RBF的大致原理。本文介绍将类比RBF神经网络来介绍。

GRNN（广义回归神经网络）

我们先看上面的示意图。左边的部分（input层和径向基层）和RBF神经网络非常相似，都是比较输入和训练集的欧氏距离，经过RBF的激活函数得到一个输出（a1），然后进入右边的线性处理部分，做一个连接权值、线性方程组求解的过程。LW{2，1}也是一个确定的结果，用的是训练集的输出矩阵（T），再和输出a1做点乘（nprod）。

这么讲可能有点抽象。我们知道一般RBF函数，中间对称轴处x=0处对应的y=1，即如果横轴的值||dist||接近0时，输出为1。假设有个输入向量p非常接近于训练集样本中某个样本。则p产生的第一层的输出a1接近于1，由于第二层的权重LW{2，1}就是设为T（T是target，就是训练集的输出），则第二层的输出a2也会与等于1乘以T，就是T的值。

上述现象，可以在matlab中查看a1矩阵的值来帮助理解，我们会发现对角线的元素都是1：

为什么？因为p1作为测试样本时，和p1最接近；p2作为测试样本时，和p2最接近……每个样本作为测试样本输入时，总会和自己最接近，输出就会是1。

matlab中GRNN的函数是：net = newgrnn(P,T,spread)，我们可以通过MATLAB的文档来学习一下GRNN的知识：

P	R-by-Q matrix of Q input vectors
T	S-by-Q matrix of Q target class vectors
spread	Spread of radial basis functions (default = 1.0)

如何调参数spread：The larger the spread, the smoother the function approximation. To fit data very closely, use a spread smaller than the typical distance between input vectors. To fit the dat