RBF、GRNN和PNN神经网络的深入浅出

1.与BP神经网络相比，RBF、GRNN和PNN神经网络有什么特别之处？

相比最经典BP神经网络（Backpropagation neural networks，误差是反向传播，而输入到输出是前向传播的，相对这种有导师学习的神经网络，它的原理相对简单，但是它的参数比较多，需要调整的空间比较大。比如权值和阈值的确定困难。），这三个神经网络的参数只有一个spread， 因此要十分注意spread的选择。

2.RBF、GRNN和PNN神经网络分别是什么？各自有什么联系和区别？

1. RBF神经网络（Radial Basis Function networks，径向基函数神经网络 ）
2. GRNN神经网络（Generalized Regression Neural Networks，广义回归神经网络）
3. PNN神经网络（Probability Neural Networks，概率神经网络）

图1-1 Radial Basis Function networks 图1-2 Generalized Regression Neural Networks 图1-3 Probability Neural Networks

由上图我们可以得出他们的主要区别是在输出层，即RBF、GRNN、PNN的各自的输出层分别是Linear Layer、Special Linear Layer、Competitive Layer，即在编写代码的时候，只要注意改变他们在输出层代码的区别。