PNN神经网络聚类法模式分类思想.docx

目 录

摘要 ...............................................................................................................................1

1 概率神经网络 ............................................................................................................1

1.1网络模型..........................................................................................................1

1.2分类思想..........................................................................................................2

1.3 PNN分类的优点..............................................................................................3

3.3 结论...............................................................................................................10

4 总结 .........................................................................................................................11

参考文献 .....................................................................................................................12

1

概率神经网络(Probabilistic Neural Networks,PNN)是由 D. F. Specht 在 1990

年提出的。主要思想是用贝叶斯决策规则,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 Parzen

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

T

些层中每个节点均为 RBF 的中心，采用的特性函数为径向基函数—高斯函数，

求和层各单元只与相应类别的模式单元相连，各单元只依据 Parzen 方法求

n

决策层节点数等于待匹配类别数，为 L。根据各类对输入向量概率的估计，

采用 Bayes 分类规则，选择出具有最小“风险”的类别，即具有最大后验概率的