MATLAB小技巧（24）RBF,GRNN,PNN-神经网络_matlabpnn网络

前言

MATLAB进行图像处理相关的学习是非常友好的，可以从零开始，对基础的图像处理都已经有了封装好的许多可直接调用的函数，这个系列文章的话主要就是介绍一些大家在MATLAB中常用一些概念函数进行例程演示！

RBF神经网络一共分为三层，第一层为输入层即Input Layer，由信号源节点组成；第二层为隐藏层即图中中间的黄球，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数。因为是局部相应函数，所以一般要根据具体问题设置相应的隐藏层神经元个数；第三层为输出层，是对输入模式做出的响应，输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快。

GRNN广义回归神经网络是径向基神经网络的一种，GRNN具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，还可以处理不稳定数据。虽然GRNN看起来没有径向基精准，但实际在分类和拟合上，特别是数据精准度比较差的时候有着很大的优势。

PNN（Product-based Neural Network）是在2016年提出的用于计算CTR问题的深度神经网络模型，PNN的网络结构对传统的FNN（Feedforward Neural Network）网络结构做了一些优化，使得其能够更适合处理CTR问题。

径向基神经元和线性神经元可以建立广义回归神经网络GRNN，它是RBF网络的一种变化形式，经常用于函数逼近。在某些方面比RBF网络更具优势。径向基神经元和竞争神经元还可以组成概率神经网络PNN。PNN也是RBF的一种变化形式&#x