PNN（Probabilistic Neural Network）是一种基于概率的神经网络。

与传统的神经网络不同，PNN能够通过概率计算来确定输入数据属于不同类别的概率，而不是简单地将其分类为某一类别。这意味着PNN可以提供更加准确和可靠的分类结果。

PNN的基本结构由四个层组成：输入层、模式层、求和层和输出层。每个输入数据都通过模式层与训练集中的每个模式进行比较，并计算出其与每个模式的相似度。相似度值会通过求和层进行加权求和，并传递到输出层，输出层会计算出每个类别的概率值，从而确定输入数据属于哪个类别。

PNN在模式分类、模式识别、信号处理等领域有广泛应用。与其他神经网络相比，PNN具有训练速度快、分类准确率高、计算简单等优点。但也存在一些缺点，如对训练样本的数量和质量要求较高，需要大量的存储空间等。

总之，PNN是一种非常有用的神经网络，可以在很多领域提供准确、可靠的分类结果。