根據數據中心的取值方法 ， RBF 網的設計方法可分為兩類 。
第壹類方法 ： 數據中心從樣本輸入中選取 。 壹般來說 ， 樣本密集的地方中心點可以適當多些 ， 樣本稀疏的地方中心點可以少些 ； 若數據本身是均勻分布的 ，中心點也可以均勻分布 。 總之 ， 選出的數據中心應具有代表性 。 徑向基函數的擴展常數是根據數據中心的
散布而確定的 ， 為了避免每個徑向基函數太尖或太平 ， 壹種選擇方法是將所有徑向基函數的擴展常數設為：max(d)/sqrt(2M),M為數據中心點數，max(d)為所選數據中心之間的最大距離 。
第二類方法 ： 數據中心的自組織選擇。常采用各種動態聚類算法對數據中心進行自組織選擇，在學習過程中需對數據中心的位置進行動態調節 。 常用的方法是 K-means 聚類，其優點是能根據各聚類中心之間的距離確定各隱節點的擴展常數。由於 RBF 網的隱節點數對其泛化能力有極大的影響，所以尋找能確定聚類數目的合理方法，是聚類方法設計RBF網時需首先解決的問題。除聚類算法外還有梯度訓練方法資源分配網絡RAN等。