Kako bi se estimirala teško-mjerljiva procesna veličina potrebno je raspolagati modelom procesa. Procesi su po svojoj prirodi nelinearni, a izgradnja nelinearnog modela i njihova implementacija je bitno složenija u odnosu na linearne modele. S obzirom na pretpostavku da se nelinearni proces u određenom dijelu radnog područja može dovoljno dobro opisati s linearnim modelom, cijelo radno područje procesa se rastavlja na nekoliko manjih dijelova, kako bi se vladanje procesa opisalo s više linearnih modela. Za tu svrhu koriste se metode klasteriranja podataka, kojima se od ulaznog skupa mjernih podataka, prikupljenih kroz duže vremensko razdoblje stvaraju manje grupe podataka, koje se zovu klasteri. Svrha grupiranja podataka leži u tome da se dobiju klasteri koji sadrže međusobno slične podatke, koji su međusobno različiti nasuprot podataka koji su smješteni u druge klastere. U slučaju nailaska novog mjernog uzorka za koji se treba odrediti izlaz modela procesa potrebno je omogućiti aktivaciju odgovarajućeg modela iz ovog skupa linearnih modela, čime je ovaj višestruki model upravljan. U ovom radu upravljanje višestrukim modelom procesa obavlja se RBF neuronskom mrežom čiji se broj neurona i receptivna polja pojedinog neurona određuju predstavljenim metodama klasteriranja. Ako testni podaci pripadnu samo jednom linearnom modelu, izlaz RBF neuronske mreže predstavlja izlaz tog linearnog modela. U slučaju da testni podaci pripadaju u više linearnih modela, tada bi se koristilo meko određivanje težina za svaki linearni model, a iznos težine ovisi o raspodjeli testnih podataka unutar klastera. Ovako svi linearni modeli imaju doprinos u estimaciji teško-mjerljive veličine. Ovi modeli opisuju vladanje procesa u pojedinom dijelu radnog područja.