文中设计了一个3层径向基神经网络(RBFN)用于对企业的5项评价指标进行聚类分析，并与蚁群算法做了比较分析。RBFN由输入层 到隐含层采用传统的K一均值算法，隐含层到输出层通过“模2递减”学习速率的BP学习；蚁群算法根据信息素的分配能够自动调整收索 路径，从而达到数据自动聚类的目的。结果表明，与蚁群算法相比，改进RBFN具有快速收敛、自动识别奇异样本的优点，而蚁群算法 无须教师学习，并能够达到全局最优。

使用k-means和fcm实现聚类，可选择有效性指标-And the use of k-means clustering to achieve fcm the option of the effectiveness of indicators

该评估问题实际上是一个分类问题，评价指标作为网络的输入，评估等级是网络的输出，CPN网络的竞争层能够进行聚类，再通过有导师学习就可以精确划分类型，在该例中获得了成功的应用。 从此例中也可以发现，随着样本数得增多，网络的训练次数也随之增加，另外，该例中隐层节点数的选择还主要依靠经验和试验。 由本实验的结果可知，利用CPN神经网络实现博士论文评价具有很好的效果，其评价结果与专家所给结果基本一致。-The evaluation problem is actually a classificat

在无监督聚类中，输入两个聚类结果，返回聚类的评测值。聚类中的内部检测指标RANDINDEX。-produce Rand Indicator to compare two clusters