PNN
PNN用來分類
前面部分完全一樣，后面是做點LW，是每列一個樣本，有幾類就會有幾行， 每列中有一個1元素其他都是0，1元素所在行表示第幾類
所以Lw a1 之后等於每個樣本按權a1進行累計，然后對列向量a2( K行）進行compet，compet選擇列向量中最大的元素為1，其他設置成0， 輸入結果類似[0 0 1 ]^T 即 是第3類
ind2vec([1 2 4 5 2 3]) ，里面可以看成每列屬於一個分類有5個分類（第4個元素是5），第一個樣本屬於分類1，第2個樣本屬於分類2， 那么進行ind2vec后，就變成5行（對應5個分類）
6列（對應6個樣本）的one-hot矩陣了
GRNN
類似RBF，不需要訓練，IW存儲就是訓練--每行一個樣本（注意函數輸入時是每列一個樣本）
前Layers{1}跟RBF完全一樣，矩陣LW2.1每列對應訓練樣本的目標值，1行表示只有一個輸出，2行就是2個輸出
nprod就是點乘--內積，但是結果回除以sum(ai) ,數學定義是:z = w*p/sum(p)，考慮訓練目標值是 Lw=[1 2 3 1] --4個樣本，1個輸出
經過第一層后的向量a1=[ 0 0 1 0]^T ---即完全接近第3個樣本，2個做nprod后結果就是3
當然實際情況可能是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) 結果也是2.47，nprod看成各樣本結果按接近程度做為權重進行累加
並且權重之和是1（除以sum(a1)導致的)
所以GRNN，做分類時需要取下整--分類編號1,2,3 。。。N，如果N比較大的話似乎會造成問題
