可以看出，這個結構與之前我們所講過的徑向基神經網路非常相似，區別就在於多了一層加和層，而去掉了隱含層與輸出層的權值連線。
1.輸入層為向量，維度為m，樣本個數為n，線性函式為傳輸函式。
2.隱藏層與輸入層全連線，層內無連線，隱藏層神經元個數與樣本個數相等，也就是n，傳輸函式為徑向基函式。
3.加和層中有兩個節點，第乙個節點為每個隱含層節點的輸出和，第二個節點為預期的結果與每個隱含層節點的加權和。
4.輸出層輸出是第二個節點除以第乙個節點。
廣義回歸神經網路對x的回歸定義不同於徑向基函式的對高斯權值的最小二乘法疊加，他是利用密度函式來**輸出。
假定x，y為兩個隨機變數，聯合概率密度為f（x，y）。
我們就得到以下公式： （x0）=f(y*f(x0,y))/f(f(x0,y)). f代表積分。
（x0）就是y在x0條件下在**輸出。 x0是的觀測值。
現在未知數就是f（x，y）。
怎樣估計已知數值而未知分布的密度函式呢？這裡我們使用parzen非引數估計方法。
視窗函式選擇為高斯視窗。
得到下式 y（x0）=f（y*exp(-d)）/f(exp(-d))。
d代表的就是離中心的距離，exp（-d）就是徑向基函式隱含層的輸出。
首先我們還是和徑向基函式神經網路一樣，設定一組資料。
p=-9:1:8;
x=-9:.2:8;
t=[129,-32,-118,-138,-125,-97,-55,-23,-4,2,1,-31,-72,-121,-142,-174,-155,-77];
而正因為grnn沒有權值這一說，所以不用訓練的優勢就體現在他的速度真的很快。而且曲線擬合的非常自然。樣本精準度不如徑向基精準，但在實際測試中表現甚至已經超越了bp。
接下來就是隱含層的處理，不同於rbf的是，隱含層沒有了恒為1的向量輸出新增。
spread=1;
chdis=dist(x',p);
chgdis=exp(-chdis.^2/spread);
chgdis=chgdis';
雖然grnn看起來沒有徑向基精準，但實際在分類和擬合上，特別是資料精準度比較差的時候有著很大的優勢。
GRNN廣義回歸神經網路
廣義回歸神經網路 grnn 廣義回歸神經網路是徑向基神經網路的一種，grnn具有很強的非線性對映能力和學習速度，比rbf具有更強的優勢，網路最後普收斂於樣本量集聚較多的優化回歸，樣本資料少時，效果很好，還可以處理不穩定資料。雖然grnn看起來沒有徑向基精準，但實際在分類和擬合上，特別是資料精準度比較...
混沌神經網路學習筆記六
任何乙個神經網路都包含三個重要構件 神經元模型 學習演算法和網路拓撲結構。為了降低神經元之間連線的複雜性，嘗試將adachi神經網路由完全耦合結構改為線性結構。一棵具有n個節點的樹僅有n 1條邊。修改後的網路拓撲結構變成 任意兩個神經元之間能通過生成樹聯絡起來，連線所有神經元的總邊數是n 1。改變了...
神經網路學習筆記
隱含層數越多，越容易擬合複雜函式 為了擬合複雜函式需要的隱含節點數目，基本上隨著隱含層數目的增加呈現指數下降的趨勢，也就是說層數越多，神經網路所需要的隱含節點可以越少。層數越深，概念越抽象，需要背誦的知識點 神經網路的隱含節點 就越少。但是，層數越多，容易出現過擬合以及引數難以除錯以及梯度瀰散的問題...