我目前正在阅读Michael R. Berthold 和 Jay Diamond 的通过动态衰减调整提高 RBF 网络的性能（在线），以了解动态衰减调整（DDA；RBF 网络的建设性训练算法）如何。这样做，我偶然发现了原型这个词：

不幸的是，PRCE 网络不会单独调整其原型的标准差，仅使用该参数的一个全局值。

[...]

本文介绍了动态衰减调整 (DDA) 算法，该算法利用了 PRCE 算法的构造特性以及每个原型衰减因子的独立适应。

[...]

PNN 不适合大型数据库，因为它们会为遇到的每种训练模式提交一个新原型，从而有效地成为参考记忆方案。

我试图在他们在此上下文中引用的唯一资源中找到它（DL Reilly、LN Cooper、C. Elbaum：“A Neural Model for Category Learning”），但遗憾的是我无法访问该资源。

我在https://chrisjmccormick.wordpress.com/2013/08/15/radial-basis-function-network-rbfn-tutorial/上找到了解释：

RBFN 通过测量输入与训练集中示例的相似性来执行分类。每个 RBFN 神经元都存储一个“原型”，这只是训练集中的示例之一。当我们想要对新输入进行分类时，每个神经元都会计算输入与其原型之间的欧几里得距离。粗略地说，如果输入更接近于 A 类原型而不是 B 类原型，则将其归类为 A 类。

所以原型只是 RBF 神经元的参数（中心和半径，假设使用高斯）？

改写第一个引用的句子，这是否意味着 RBF 网络通常只学习中心和半径是固定的？

我的问题是我是否理解正确。请添加参考（不是随机的博客文章），以使其更清晰。