傳統的倒傳遞網路(BPN)的隱藏層大都採取雙彎曲轉換函數處理單元，傳統的徑向基底函數網路(RBFN)的隱藏層大都採取高斯型轉換函數處理單元，這二種架構各有優缺點，適合不同類型的問題。為結合這兩種架構的優點，本文提出複合轉換函數神經網路(Hybrid Transfer Function Neural Networks, HTFN)，並推導出其學習規則。此網路在同一個隱藏層中同時包含雙彎曲與高斯型轉換函數的處理單元。為證明此一架構優於傳統的只含雙彎曲轉換函數或只含高斯型轉換函數處理單元的架構，本研究以五個人為 Traditional back-propagation network (BPN) uses Sigmoid function as transformation function of hidden units; on the other hand, radial basis function network (RBFN) uses Gaussian function as transformation function. These two kinds of structure have their
