• MLP：使用点积（在输入和权重之间）和sigmoidal 激活函数（或其他单调函数，如ReLU），训练通常通过所有层的反向传播（可以任意多）完成。这种类型的神经网络借助许多技术（例如dropout或batch normalization）用于深度学习；
• RBF：使用欧几里得距离（输入和权重之间，可以看作中心）和（通常）高斯激活函数（可以是多变量的），这使得神经元对局部更加敏感。因此，当中心/权重等于输入时，RBF 神经元具有最大激活（见下图）。由于这个特性，RBF 神经网络有利于新奇检测（如果每个神经元都以训练样本为中心，则远离所有神经元的输入构成新模式）但不太擅长外推。此外，RBF 可以使用反向传播进行学习，或者在隐藏层中使用无监督学习的混合方法（它们通常只有 1 个隐藏层）。最后，RBF 使训练过程中新神经元的生长更容易。

RBF 和 MLP 属于一类称为前馈网络的神经网络。

RBF的隐藏层不同于MLP。它执行一些计算。每个隐藏单元充当输入空间中的一个点，任何实例的激活/输出取决于该点（隐藏单元）和实例（也是空间中的一个点）之间的距离。

因此，RBF 学习了两种参数：
1）RBF 的中心和宽度
2）从隐藏层获得的输出的线性组合的权重

第一组参数可以独立于第二组参数学习。即通过执行K-means 聚类，您可以获得RBF 的中心和宽度。

简而言之，RBF 使用 RBF 中心和实例之间的距离作为相似性度量。

一个缺点是 RBF 对每个属性赋予相同的权重，因为它们在距离计算中被同等考虑。