•因此，第一阶段的训练是通过聚类算法完成的。我们定义我们需要的聚类中心数量。并且通过聚类算法，我们计算聚类中心，然后将其分配为每个隐藏神经元的接受器。

•我必须将N个样本或观察值聚类到M个簇（N> M）中。

•所以输出“簇”是“接受器”。

•对于每个接受器，我可以发现方差为“各受体与每个簇最近样本之间的距离的平方和”：= 1 / N * || X-t ||⊃2;。

•第一个训练阶段的演绎是“将特征向量投影到变换空间”。

描述RBNN的复杂图表

RBNN与MLP相比较

1、RBNN的训练速度比在多层感知器（MLP）中更快→在MLP中进行许多“交互”。

2、我们可以很容易地解释RBNN隐藏层中每个节点的含义/功能是什么。这在MLP中却很困难。

3、（隐藏层中的#节点数目以及隐藏层的#数量）在MLP中这个参数化是很困难的。但是在RBNN中没有发现这点。