径向基函数神经网络(也称为RBF神经网络)是应用非常广泛的一类人工神经网络。在RBF神经网络建模中,其隐含层神经元的个数、相关参数(即中心点、宽度)、以及输出层权值对模型的性能具有重大的影响。如何构建一个合理的隐含层网络结构和最佳的网络参数,是RBF神经网络改进的难点。本文将针对RBF神经网络所面临的隐层结构与参数优化问题,提出了基于粗糙集的K均值(Rough K-Means)聚类算法,和基于最大似然估计(EM)聚类算法和多元线性回归(MLR)结合的优化策略(EM&MLR算法)。采用这两种聚类算法可以达到简约神经网络的结构,调节相关神经元的参数,减少神经网络的冗余信息,防止过拟合,最终改善预测性能的目的,并将两类改进的RBF神经网络应用到初顶石脑油干点软测量中去。结果显示,与一般性的聚类算法相比,这两个聚类算法能够很大的提高RBF神经网络性能,同时,基于EM&MLR算法的RBF神经网络又比比基于Rough K-Means的同类改进RBF神经网络的优化算法相比,不仅是在结构上还是和精度上都获得更进一步提高。