RBF网络学习算法
RBF网络的学习过程分为两个阶段。第一阶段，根据所有的输入样本决定隐含层各节点的径向基函数的中心值Cj 和径向基函数的宽度σj。第二阶段，在决定好隐层j的参数后，根据样本，利用最小二乘原则求出输出层的权值Wi。有时在完成第二阶段的学习后，再根据样本信号，同时校正隐层和输出层的参数以进一步提高网络的精度。
由此可见，根据给定的训练样本，快速有效地确定径向基函数的中心Cj和输出层权值Wi是训练RBF神经网络的关键任务。事实上一旦确定了径向基函数的中心Cj，则对于所有的训练样本而言Φj和预期输出yk是已知的，输出权值wi可以由最小二乘法等方法求出。因此，建立RBF神经网络的关键问题是根据给定的训练样本确定径向基函数的中心。
