Finalmente, una función de transferencia competitiva en la salida de la segunda capa elige el máximo de estas probabilidades, y produce un 1 (identificación positiva) para esta clase y un 0 (identificación negativa) para las clases no identificadas clases.
Una neurona escondida calcula la distancia Euclidiana del caso de prueba del punto de centro de la neurona y entonces aplica el RBF kernel la función que utiliza el sigma valores.
Las neuronas patrón añaden los valores para la clase que representan.
La capa de salida compara el peso de votos para cada categoría objetivo acumulada en la capa patrón y utiliza el voto más grande para pronosticar la categoría objetivo.
Hay varias ventajas y desventajas utilizando PNN en vez de Perceptrón multicapa[5]