फीड-फॉरवर्ड नेटवर्क का लोकप्रिय प्रकार रेडियल बेसिस फंक्शन (RBF) नेटवर्क है। इसमें दो परतें होती हैं, इनपुट परत को गिने बिना, और यह मल्टीलेयर पर्सेप्ट्रॉन से इस मायने में भिन्न होता है कि छिपी हुई इकाइयां गणना को लागू करती हैं।
प्रत्येक छिपी हुई इकाई इनपुट स्पेस में एक विशिष्ट बिंदु को महत्वपूर्ण रूप से परिभाषित करती है, और एक दिए गए उदाहरण के लिए इसका आउटपुट, या सक्रियण, इसके बिंदु और उदाहरण के बीच की दूरी पर आधारित होता है, जो केवल एक अलग बिंदु है। ये दो बिंदु जितने करीब होते हैं, सक्रियण उतना ही बेहतर होता है।
यह दूरी को समानता माप में बदलने के लिए एक नॉनलाइनियर ट्रांसफॉर्मेशन फ़ंक्शन का उपयोग करके लागू किया जाता है। एक बेल-आकार का गॉसियन सक्रियण फ़ंक्शन जिसकी चौड़ाई प्रत्येक छिपी हुई इकाई के लिए अलग-अलग हो सकती है, आमतौर पर इस उद्देश्य के लिए उपयोग किया जाता है। छिपी हुई इकाइयों को RBF के रूप में जाना जाता है क्योंकि इंस्टेंस स्पेस में वे बिंदु जिनके लिए एक दी गई छिपी हुई इकाई एक समान सक्रियण बनाती है, एक हाइपरस्फीयर या हाइपरलिप्सॉइड बनाते हैं।
एक RBF संरचना की आउटपुट परत मल्टीलेयर पर्सेप्ट्रॉन के समान होती है - यह छिपी हुई इकाइयों के आउटपुट का एक रैखिक सेट लेती है और वर्गीकरण मुद्दों में इसे सिग्मॉइड फ़ंक्शन के माध्यम से पास करती है।
ऐसे नेटवर्क द्वारा समझे जाने वाले पैरामीटर RBF के केंद्र और चौड़ाई और छिपी हुई परत से प्राप्त आउटपुट के रैखिक सेट को डिजाइन करने के लिए उपयोग किए जाने वाले वजन हैं। मल्टीलेयर पर्सेप्ट्रॉन पर एक आवश्यक लाभ यह है कि पैरामीटर का पहला समूह दूसरे समूह से स्वतंत्र रूप से तय किया जा सकता है और सटीक क्लासिफायर बना सकता है।
पहले समूह के पैरामीटर तय करने की एक विधि क्लस्टरिंग का उपयोग करना है। सरल k-मीन क्लस्टरिंग एल्गोरिदम लागू किया जा सकता है, प्रत्येक कक्षा को स्वतंत्र रूप से क्लस्टर करके प्रत्येक कक्षा के लिए k-बेसिस फंक्शन प्राप्त करना।
पहले पैरामीटर को स्थिर रखकर दूसरे समूह के पैरामीटर को समझा जाता है। इसमें रैखिक या लॉजिस्टिक रिग्रेशन जैसे दृष्टिकोणों में से एक का उपयोग करके एक सरल रैखिक क्लासिफायर सीखना शामिल है। यदि प्रशिक्षण उदाहरणों की तुलना में छिपी हुई इकाइयां बहुत कम हैं, तो यह तेजी से किया जा सकता है।
RBF नेटवर्क की सीमा यह है कि वे प्रत्येक विशेषता को समान वजन प्रदान करते हैं क्योंकि दूरी गणना में सभी को समान माना जाता है जब तक कि विशेषता वजन पैरामीटर पूर्ण अनुकूलन प्रक्रिया में शामिल नहीं होते।
इसलिए, वे अनुचित विशेषताओं के साथ कुशलता से नहीं निपट सकते, मल्टीलेयर पर्सेप्ट्रॉन के विपरीत। सपोर्ट वेक्टर मशीन समान मुद्दों को साझा करते हैं। गॉसियन कर्नेल (यानी, "RBF कर्नेल") के साथ सपोर्ट वेक्टर मशीन RBF नेटवर्क की एक निश्चित विधि है, जिसमें एक फंक्शन प्रत्येक प्रशिक्षण उदाहरण पर केंद्रित होता है, सभी बेसिस फंक्शन की समान चौड़ाई होती है, और आउटपुट को अधिकतम-मार्जिन हाइपरप्लेन की गणना करके रैखिक रूप से जोड़ा जाता है। इसका परिणाम यह होता है कि कुछ RBF का शून्येतर वजन होता है जो सपोर्ट वेक्टर को परिभाषित करते हैं।
