概率神经网络..docxVIP

概率神经网络概述概率神经网络（Probabilistic Neural Network，PNN）是由D. F. Specht 在1990年提出的。主要思想是贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，它是以Parazen窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经网络与经典的概率密度估计原理的优点，与传统的前馈神经网络相比，在模式分类方面尤其具有较为显著的优势。1.1 概率神经网络分类器的理论推导由贝叶斯决策理论： （1-1）其中。一般情况下，类的概率密度函数是未知的，用高斯核的Parzen估计如下： （1-2）其中，是属于第类的第k个训练样本，是样本向量的维数，是平滑参数，是第类的训练样本总数。去掉共有的元素，判别函数可简化为： （1-3）1.2 概率神经元网络的结构模型PNN的结构以及各层的输入输出关系量如图1所示，共由四层组成，当进行并行处理时，能有效地进行上式的计算。图1 概率神经网络结构如图1所示，PNN网络由四部分组成：输入层、样本层、求和层和竞争层。PNN的工作过程：首先将输入向量输入到输入层，在输入层中，网络计算输入向量与训练样本向量之间的差值的大小代表着两个向量之间的距离，所得的向量由输入层输出，该向量