La fase di categorizzazione

Una volta che si è ottenuto il vettore delle funzioni Gaussiane definito in (3.8), si può classificare un nuovo pattern. Per ogni classe si usa la funzione $\Pi$ per ``mappare'' il pattern in un vettore $x$ di ingresso w-dimensionale, dove $w$ è il numero di caratteristiche della classe.

$$\Pi(pattern) = x = \left[ \begin{array}{c} x_1 \\ x_2 \\ \cdots \\ x_w \end{array} \right]$$ (3.9)

Il vettore $x$ può, oppure no, utilizzare la metrica della fase di training, e viene usato come input nell'equazione (3.8).

Allora l'output della classe è calcolato tramite la funzione $\Theta$:

$$\Theta(G(x)) = output, \quad 0<= output <= 1$$ (3.10)

$\Theta$ combina l'output di ciascuna funziona gaussiana, normalizzando il risultanto fra 0 e 1.

Vale la pena ribadire che la funzione puà variare da compito a compito: può pesare allo stesso modo tutte le $g_i$ o pesarle differentemente. Il pattern è assegnato alla categoria con il più alto output, o eventualmente a nessuno se l'output è minore di un fissato threshold (caso in cui la categorizzazione è incerta).