लोकप्रिय प्रकार का फीड-फॉरवर्ड नेटवर्क रेडियल बेसिस फंक्शन (आरबीएफ) नेटवर्क है। इसमें दो परतें होती हैं, इनपुट परत की गिनती नहीं होती है, और एक बहुपरत परसेप्ट्रॉन से उस पद्धति में विरोधाभास होता है, जिसमें छिपी हुई इकाइयां गणनाओं को लागू करती हैं।
प्रत्येक छिपी हुई इकाई अपने बिंदु और उदाहरण के बीच की दूरी के आधार पर दिए गए उदाहरण के लिए इनपुट स्थान और उसके आउटपुट, या सक्रियण में एक विशिष्ट बिंदु को महत्वपूर्ण रूप से परिभाषित करती है, जो कि केवल एक अलग बिंदु है। ये दो बिंदु जितने करीब होंगे, सक्रियता उतनी ही बेहतर होगी।
यह दूरी को एक समानता माप में संशोधित करने के लिए एक गैर-रेखीय परिवर्तन फ़ंक्शन का उपयोग करके कार्यान्वित किया जाता है। एक घंटी के आकार की गाऊसी सक्रियण सेवा, जिसकी चौड़ाई प्रत्येक छिपी हुई इकाई के लिए भिन्न हो सकती है, आमतौर पर इस उद्देश्य के लिए उपयोग की जाती है। छिपी हुई इकाइयों को आरबीएफ के रूप में जाना जाता है क्योंकि उदाहरण क्षेत्र में बिंदु जिसके लिए एक छिपी हुई इकाई एक समान सक्रियण बनाती है, एक हाइपरस्फीयर या हाइपरेलिप्सिड बनाती है।
आरबीएफ संरचना की आउटपुट परत एक बहुपरत परसेप्ट्रॉन के समान होती है - यह छिपी हुई इकाइयों के आउटपुट का एक रैखिक सेट लेता है और वर्गीकरण मुद्दों में इसे सिग्मॉइड फ़ंक्शन के माध्यम से पारित करता है।
ऐसा नेटवर्क जिन मापदंडों को समझता है, वे हैं आरबीएफ के केंद्र और चौड़ाई और छिपी हुई परत से प्राप्त आउटपुट के रैखिक सेट को डिजाइन करने के लिए उपयोग किए जाने वाले वजन। बहुपरत परसेप्ट्रोन पर एक अनिवार्य लाभ यह है कि मापदंडों के पहले समूह को दूसरे समूह से स्वतंत्र रूप से तय किया जा सकता है और सटीक वर्गीकरणकर्ता बना सकते हैं।
मापदंडों के पहले समूह को तय करने का एक तरीका क्लस्टरिंग का उपयोग करना है। सरल k- साधन क्लस्टरिंग एल्गोरिथ्म लागू किया जा सकता है, प्रत्येक वर्ग के लिए k- आधार फ़ंक्शन प्राप्त करने के लिए प्रत्येक वर्ग को स्वतंत्र रूप से क्लस्टर किया जा सकता है।
पैरामीटर के दूसरे समूह को पहले पैरामीटर को स्थिर रखकर समझा जाता है। इसमें लीनियर या लॉजिस्टिक रिग्रेशन जैसे दृष्टिकोणों में से एक का उपयोग करके एक साधारण लीनियर क्लासिफायरियर सीखना शामिल है। यदि प्रशिक्षण उदाहरणों की तुलना में लंबे समय तक कम छिपी हुई इकाइयाँ हैं, तो यह तेजी से किया जा सकता है।
आरबीएफ नेटवर्क की सीमा यह है कि वे प्रत्येक विशेषता को समान भार प्रदान करते हैं क्योंकि सभी को दूरी गणना में समान रूप से माना जाता है जब तक कि विशेषता वजन पैरामीटर पूर्ण अनुकूलन प्रक्रिया में शामिल न हों।
इसलिए, वे बहुपरत परसेप्ट्रोन के विरुद्ध अनुपयुक्त विशेषताओं से कुशलता से निपट नहीं सकते हैं। समर्थन वेक्टर मशीनें समान मुद्दों को साझा करती हैं। गाऊसी कर्नेल (यानी, "आरबीएफ कर्नेल") के साथ समर्थन वेक्टर मशीन आरबीएफ नेटवर्क की एक निश्चित विधि है, जिसमें एक फ़ंक्शन प्रत्येक प्रशिक्षण उदाहरण पर केंद्रित होता है, सभी आधार कार्यों की एक समान चौड़ाई होती है, और आउटपुट की गणना करके रैखिक रूप से विलय किया जाता है अधिकतम-मार्जिन हाइपरप्लेन। इसका परिणाम यह हुआ है कि कुछ आरबीएफ का वजन शून्य से कम होता है जो समर्थन वैक्टर को परिभाषित करते हैं।