徑向基底函數網路(RBFN)常用於分類問題，它的核有形心與半徑二種參數，這二種參數可用監督式或無監督式學習來決定。但它有一個缺點是視所有自變數有同等地位，故分類邊界是圓形，但事實上每一個自變數對分類的影響力不同，分類邊界是應該是橢圓形較合理。為克服此一缺點，本文提出具自適應核形狀參數的徑向基底函數網路，並以監督式學習推導出其學習規則。為證明此一架構優於傳統的徑向基底函數網路，本研究以五個人為的與七個真實的分類例題進行比較。結果顯示，此一架構確實比倒傳遞網路及傳統的徑向基底函數網路更為準確，狀參數值的大小確 Radial Basis Function Network (RBFN) is usually employed for classification problems, whose kernel has centroid and radius parameters determined with supervised or unsupervised learning. However, it has a shortcoming that it regards each independent varia
