GRNN广义回归神经网络以非参数核回归为基础,以样本数据作为后验概率验证条件并进行非参数估计,最后从训练样本中计算GRNN网络中因变量和自变量之间的关联密度函数,从而计算得到因变量相对自变量的回归值。GRNN广义回归神经网络最大的优势在于其方便的网络参数设置功能,整个神经网络只需要通过设置GRNN核函数中的光滑因子就可以调整GRNN网络的性能。
假设GRNN神经网络中的两个随机变量x和y,其联合概率密度函数为f (x ,y),且x的观测样本为X,即条件均值为:
公式4即为人工神经网络的最终输出表达式。通过公式4可知,GRNN神经网络的输出数据和训练样本的误差主要有平滑因子决定的,因此,GRNN神经网络具有非常简便的性能控制方式,只需通过调整平滑因子就可获得较好的性能。
下面对GRNN广义回归神经网络的网络结构以及工作原理进行介绍,GRNN广义回归神经网络的网络结构如图1所示,整个网络包括四层神经元:第一层为GRNN神经网络的输入层、第二层为GRNN神经网络的模式层、第三层为GRNN神经网络的求和层,第四层为GRNN神经网络的输出层。
GRNN广义回归神经网络的第一层为网络输入层,输入层的神经元数量和学习样本中输入向量的维数相同,每个神经元都是一个简单的分布式网络单元,这些神经元直接将输入变量传递到网络隐含层中。