举个例子，PNN 很容易理解。所以假设我想用 2D 中的 PNN 点进行分类，我的训练点是图中的蓝点和红点：

我可以将方差的高斯函数作为基函数，例如 0.1。一旦出现方差，PNN 中就没有训练$\sigma$高斯的系数是固定的，所以我们现在将通过这个固定来解决您问题的核心$\sigma$（你当然可以尝试找到一个最佳的$\sigma$...）。

所以我想把这个绿十字分类（$x=1.2$, y =$0.8$）。PNN 的作用如下：

1. 输入层是特征向量 ($x=1.2$, y =$0.8$);
2. 隐藏层由六个节点组成（对应于六个训练点）：每个节点评估以其图为中心的高斯，例如，如果第一个节点是 ($x_0=-1.2$,$y_0=-1.1$)，然后这个节点评估$G_0(x,y)\approx \exp(-((x-x_0)^2 + (y-y_0)^2)/2\sigma^2)$. 最后，每个节点都输出他的绿色十字高斯值（当值太低时，通常是你的阈值）。
3. 求和层由$\#(labels)$节点。步骤 2 的每个实值输出都发送到相应的节点（三个红色节点将它们的值发送到求和红色节点，三个蓝色节点将它们的值发送到求和蓝色节点）。每个标签节点将它们收到的高斯值相加。
4. 最后一个节点只是一个最大节点，它获取求和节点的所有输出并输出最大值，例如得分最高的标签节点。

在这里你可以看到每个蓝点都会有一个高斯（有方差$\sigma=0.1$) 等于 0，而红色的将具有相当高的值。然后所有蓝色高斯的总和将为 0（或几乎），红色为高，因此最大值为红色标签：绿色十字被归类为红色。

正如你所指出的，主要任务是找到这个$\sigma$. 有很多技术，您可以在互联网上找到很多培训策略。你必须采取$\sigma$小到足以捕获局部性，而不是小，否则你会过拟合。您可以想象交叉验证以在网格内获取最佳值！（另请注意，您可以分配不同的$\sigma_i$到每个标签，例如）。

这是一个做得很好的视频！