RBFNN:

1. Il numero $m$ delle basis functions non necessariamente è pari al numero alla dimensione $n$ del vettore di ingresso, anzi di solito è molto minore

2. Ogni componente del vettore di input viene dato in ingresso alle $m$ radial basis functions (RBFs)

3. Una procedura in due passi è necessaria per addestrare il sistema: nella prima fase l' input data set da solo viene utilizzato per determinare i parametri delle radial basis functions (valor medi $\mu_j$ e varianze $\sigma^2_j$); nella seconda fase vengono scoperti i pesi $w_j$ mentre le basis functions rimangono fissate.

4. Il settaggio ottimale dei parametri delle basis functions è un problema non lineare (rispetto alla dimensione del set di addestramento) da risolvere e di solito è computazionalmente pesante