人工神经网络(Artificial Neural Networks)是自19世纪中期以来众多科学家以及生物学家的研究热点和方向。它是一种模仿生物神经元的高度非线性系统,它的优点有很多,例如:强大的并行计算处理能力、网络自组织、参数自适应以及分布式信息存储等。神经网络经过半个多世纪的发展,硕果累累,种类繁多,如果从网络模型的学习方式分类一般可分为有导师学习和无导师学习的神经网络。神经网络在光学方面的应用有很多:光学神经网络、信息光学、量子光学、集成光学以及自适应光学,并已取得很多成果。GRNN(Generalized Regression Neural Network)和PNN(Probabilistic Neural Networks)都是有导师学习的神经网络,它们都是基于径向基函数的神经网络类型。由于GRNN和PNN的网络训练是单一方向性且学习过程是单程的,所以不需要进行多次重复迭代,一旦其网络形成就不必再调整网络中各项参数。因此GRNN和PNN的学习速度相较于传统的基于收敛算法的神经网络的学习速度要快很多。GRNN和PNN网络在光学图像处理、信息光学中有很多应用,具体的有光学字符识别系统、光学检测技术、数字水印以及光学测量等众多领域。在实际应用建模和科研中,GRNN和PNN应用的优劣和侧重各有不同,为更清楚地知晓在何种情况下更适用哪种网络模型,能更好地解决问题,本文以鸢尾花数据为测试数据库、以MATLAB软件仿真平台建立仿真模型,测试对比两种网络模型在以下方面的表现:自学习能力、拒伪能力、鲁棒性、spread值和高斯幅度值a的选取对预测准确率的影响。主要工作如下:(1)保持测试样本不变,每次向训练样本中添加1个样本,然后仿真得出预测准确率,并重复多次取预测准确率的统计平均值,最后画出添加样本数与对应预测准确率之间的关系图像,并改变添加样本梯度和增加重复仿真次数来做对比实验。分析可得,PNN模型的自学习能力要比GRNN模型强一点。而且如果持续加入训练样本,GRNN模型预测准确率会有所回升。(2)每次用1个噪声替换一个测试样本,同时训练样本保持稳定,然后多次仿真取预测准确率的统计平均值,最后画出替换噪声数与对应预测误差之间的关系图像,并改变添加噪声梯度和增加仿真重复次数来增加对比实验。分析可知:GRNN模型和PNN模型的拒伪能力都很强,其预测误差都在可接受范围之内,但是GRNN模型的拒伪能力相对于PNN模型更强一些,所以在某些精度要求比较高的领域,要优先选用GRNN模型。(3)模仿拒伪能力测试方法,每次用1个噪声替换一个训练样本,同时测试样本保持不变,然后多次仿真取统计平均值,最后画出替换噪声数与对应预测准确率之间的关系图像,并改变替换噪声梯度和增加仿真重复次数,以及改变测试样本和训练样本的相对比例等措施来增加对比实验。综合多组实验分析可得:PNN模型的系统鲁棒性整体要比GRNN模型强一点,但在二者以同一趋势下降至训练样本错误率50%左右,之后GRNN模型下降速度远大于PNN模型。(4)spread为变量以0.1为初始值每次以一定速度增加,然后仿真得出预测准确率,并重复多次取统计平均值,最后画出spread值与对应预测准确率之间的关系图像。观察图像分析可知:二者开始以同一的趋势保持平衡,但是在spread值取0.3之后GRNN模型以更大的速度下降,并且其预测准确率下降的最小值也远小于PNN模型的最小值,这表明spread值的改变对GRNN模型影响相对于PNN模型更大一点。模仿spread值的实验分析方法,可知高斯幅度值a在0.5左右取值更为合适,并且在幅值a大小相同时,应该优先选取PNN模型。