概率神经网络一、概率神经网络简介注意：以下内容参考贝叶斯决策理论。
二.概率神经网络的网络结构(PNN ) )。
总结如下： 1、输入层接收样本的值，神经元的个数与输入向量的长度相等。 2、隐层为放射状基层，每个神经元对应一个中心(对应一个样本数据)。 3、输入数据分为I类。 因为PNN是用于分类的，所以首先使用示例训练网络，然后输入数据以使用该网络确定属于哪种类型的数据。 4、上式Xij其实是与RBF神经网络一致，求出每个输入和样本的欧式距离。 但是，假设该隐藏层将数据分为I个类，第I个类中有j个数据。 5、由下图可知，加层神经元数等于数据分类数，该加层求上式各类数据的平均值。 6、然后比较各类平均值的大小，将此数据归类为值最大的种类。 7、以下提出在实际计算中，用于理解的公式与实际计算不同，
注意：上面加法层的神经元数量等于模式分类的数量。 也就是说，只连接对应类别的样本(隐层神经元)，不与其他无关的样本连接。
三.概率神经网络的优点