精选优质文档-倾情为你奉上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
