PNN，Probabilistic Neural Networks，即概率神经网络[43~45]，是一种基于贝叶斯决策规则的神经网络技术，其神经网络训练期望误差小，基于统计原理的人工神经网络概率神经网络以Parzen窗函数为激活函数，同时包含径向基神经网络和经典概率密度估计算法的优势，因此在识别和分类方面，与传统的BP神经网络相比具有明显的性能优势。 其结构如下。
从图中的结构可以看出，PNN概率神经网络在结构上主要分为PNN输入层、PNN样本层、PNN总和层和PNN竞争输出层4个网络层。 其中样本层的主要功能是对输入的信号进行加权相加，用一个激活函数进行运算后发送到下一层。 激活函数是高斯函数。 这意味着：
其中是径向基函数的中心，表示特性函数的第I个分量对博弈的切换参数。
概率神经网络总和层的每个网络单元都需要与对应的类模式单元连接，每个单元需要基于Parzen方法对各类别的概率进行总和估计。 即，其条件概率如下。
其中，公式中的变量表示类，变量x表示识别样本，变量表示类I的模式样本(在概率神经网络中作为权重)，变量m表示向量维，变量表示平滑化参数，变量n表示类I的模式样本数。
与传统神经网络相比，PNN神经网络的最大优势是不需要多次计算，就能得到收敛的Bayes优化解。 因此，在进行调试识别时，通过采用PNN神经网络，能够以较少的训练次数获得期望的测试结果。