GRNN模型，全稱廣義回歸神經網路(Generalized Regression Neural Network)，是一種徑向基神經網路。它通過在輸入空間進行非線性變換，並在高維特徵空間中進行線性回歸，實現非線性擬合。GRNN的特點包括：
模型結構：GRNN是一個四層的網路結構，包括輸入層、模式層、求和層和輸出層。輸入層的節點取決於樣本的特徵維度，模式層計算每一個樣本中的Gauss函式取值，節點個數為訓練樣本的個數。求和層中使用兩種計算方式，第一個節點將對模式層的輸出進行算術求和，其他節點將對模式層的神經元進行加權求和，其節點數為輸出樣本的維度加1。
學習算法：GRNN的學習算法是一種監督學習算法，通過最小化均方誤差來訓練模型。均方誤差是輸出結果與真實結果之間的平均平方差。
優勢：相較於傳統的回歸神經網路，GRNN多添加了一層求和層，並去掉了隱含層與輸出層的權值連線，具有更高的精確度。同時，GRNN作為一個前向傳播神經網路，不需要反向傳播求模型參數，收斂速度快。GRNN具有很強的非線性學習能力和學習速度，網路最後普收斂於樣本量聚集較多的最佳化回歸。當樣本數據較少時或數據精確度較差時，GRNN能發揮出很大的優勢。
需要注意的是，GRNN模型與圖神經網路(Graph Neural Network, GNN)是不同的概念。GNN是用於處理圖結構數據的神經網路模型，而GRNN是一種用於回歸問題的神經網路模型。