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、概率神经网路的网络结构（PNN）
总结：
1、输入层接收样本的值，神经元个数与输入向量长度相等。
2、隐藏层为径向基层，每个神经元对应一个中心（对应一个样本数据）。
3、输入数据分为了i类，因为PNN就是用来分类的，就是先用样本训练网络，然后输入数据，用此网络来鉴别，是属于哪一类数据。
4、上式Xij其实与RBF神经网络一致，就是求每个输入与样本的欧式距离，只不过此隐藏层把数据分为了i个类，并且设第i个类有j个数据。
5、然后下图可以看出，求和层的神经元个数与数据分类的个数相等，此求和层求得上式中，每类数据的平均值。
6、然后比较每一类平均值的大小，把此数据分类到值最大的那一类。
7、下文中，提出在实际计算中，用来理解的公式与实际计算中公式不同，
注意：上边的求和层的神经元个数与模式分类的个数相等。也就是说只有对应类别的样本（隐藏层的神经元）连接，不与其他无关的样本连接。
三、概率神经网络的优点
