PNN

PNN用来分类

前面部分完全一样，后面是做点LW，是每列一个样本，有几类就会有几行，每列中有一个1元素其他都是0，1元素所在行表示第几类

所以Lw a1 之后等于每个样本按权a1进行累计，然后对列向量a2( K行）进行compet，compet选择列向量中最大的元素为1，其他设置成0，输入结果类似[0 0 1 ]^T 即是第3类

ind2vec([1 2 4 5 2 3]) ，里面可以看成每列属于一个分类有5个分类（第4个元素是5），第一个样本属于分类1，第2个样本属于分类2，那么进行ind2vec后，就变成5行（对应5个分类）

6列（对应6个样本）的one-hot矩阵了

GRNN

类似RBF，不需要训练，IW存储就是训练--每行一个样本（注意函数输入时是每列一个样本）

前Layers{1}跟RBF完全一样，矩阵LW2.1每列对应训练样本的目标值，1行表示只有一个输出，2行就是2个输出

nprod就是点乘--内积，但是结果回除以sum(ai) ,数学定义是:z = w*p/sum(p)，考虑训练目标值是 Lw=[1 2 3 1] --4个样本，1个输出

经过第一层后的向量a1=[ 0 0 1 0]^T ---即完全接近第3个样本，2个做nprod后结果就是3

当然实际情况可能是a1=[0.1 0.2 0.8 0.11]^T 除以sum(a1)后是[0.08 0.16 0.66 0.09], Lw a1/sum(a1) 结果也是2.47，nprod看成各样本结果按接近程度做为权重进行累加

并且权重之和是1（除以sum(a1)导致的)

所以GRNN，做分类时需要取下整--分类编号1,2,3 。。。N，如果N比较大的话似乎会造成问题