广义回归神经网络训练样本的输入

广义回归神经网络（GRNN）的训练样本输入可以是任何形式的向量或矩阵，但是需要注意的是，输入样本的维度必须与网络输入层的节点数相同。

在GRNN中，每个输入样本都会对应一个模板向量，该模板向量是由输入样本计算出来的，因此输入样本的维度也会影响模板向量的维度。

通常情况下，输入样本的维度越高，模板向量的维度也会越高，这会导致计算成本的增加和网络泛化能力的下降。因此，在实际应用中，需要根据具体问题来确定输入样本的维度，以保证网络的训练效果和计算效率。

下面是一个示例，展示如何在MATLAB中创建一个包含多个输入样本的GRNN模型：

% 准备数据
x = [1 2 3; 4 5 6; 7 8 9]; % 输入样本，每行表示一个输入向量
y = [10; 20; 30]; % 输出样本

% 创建GRNN模型
net = newgrnn(x,y);

% 预测新的输入数据
x2 = [2 3 4; 5 6 7]; % 新的输入样本，每行表示一个输入向量
y2 = sim(net, x2);

在这个例子中，输入样本是一个3行3列的矩阵，每行表示一个输入向量。输出样本是一个3行1列的向量。我们使用newgrnn函数创建GRNN模型，并使用sim函数对新的输入数据进行预测。注意，在预测时，新的输入样本的维度必须与训练数据的维度相同。