تابع انتقال Hard limit
این تابع انتقال در صورتی که n<0 باشد خروجی ۰ (صفر) و در صورتی که n≥۰ باشد خروجی ۱ می دهد. منحنی این تابع در شکل ۲-۸ قابل مشاهده است.
شکل ۲- ۸: تابع انتقال Hard limit

تابع انتقال خطی^[۱۲]
این تابع همان مقدار ورودی را به عنوان خروجی چاپ می کند.
شکل ۲- ۹: تابع انتقال خطی

تابع انتقال Log sigmoid
این تابع انتقال مقادیر ورودی را در محدوده ی ∞- تا ∞ دریافت و خروجی بین ۰ و ۱ تولید می نماید.
شکل ۲- ۱۰: تابع انتقال Log sigmoid

تابع انتقال Radial basis
شکل ۲- ۱۱: تابع انتقال Radial basis

تابع انتقال Tan sigmoid
شکل ۲- ۱۲: تابع انتقال Tan sigmoid

نحوه عملکرد شبکه عصبی
همان‌طور که در شکل ۲-۱۳ مشاهده می‌کنید، نرون‌ها به صورت گروهی لایه‌بندی می‌شوند. وقتی سیگنال یا پالسی  به یک لایه ارسال می‌شود، این سیگنال از لایه بالایی شروع به فعالیت می‌کند و توسط نرون‌های آن لایه بررسی و اصلاح می‌گردد. در حقیقت هر نورون قدرت سیگنال را بالا می‌برد و آن پالس را به لایه بعدی انتقال می‌دهد.
شکل ۲- ۱۳: نمایش لایه ای از شبکه عصبی
همان‌طور که در شکل ۲-۱۴ مشاهده می‌کنید، این شبکه دارای سه لایه است. لایه ۱ یا لایه بالایی این شبکه که در حقیقت لایه ورودی است، پارامترهای پالس را تنظیم می‌کند و این مقادیر را همراه سیگنال یا پالس به لایه‌های بعدی پاس می‌دهد، ولی نرون‌های لایه ۳ یا لایه خروجی‌ که در پایین‌ترین سطح شبکه قرار دارد، هیچ سیگنالی را به لایه دیگری نمی‌فرستند و در واقع فقط خروجی دارند.
شکل ۲- ۱۴: نمایش شبکه عصبی سه لایه ای
حال قسمت اصلی کار شبکه فرا می‌رسد؛ یعنی آموختن به شبکه عصبی.
برای این‌که به شبکه عصبی موجود توانایی آموختن بدهیم، بعد از این‌که سیگنال از لایه اول شبکه به لایه پایینی شبکه می‌رود، باید اطلاعات هر نورون را که روی سیگنال ما اثر می‌گذارد، بروزآوری و اصلاح کنیم. این رویه را به اصطلاح BP یا Back Propagation می‌گویند.

در حقیقت با این کار یعنی مقایسه خروجی‌ای که خودمان محاسبه کرده‌ایم با خروجی شبکه، می‌توانیم مقدار اشتباهاتی که شبکه ما انجام می‌دهد را به دست آوریم. مثلاً تصور کنید که در یک سلول نورون در لایه آخر شبکه یا لایه خروجی اشتباهی داریم، هر نورون در واقع رکورد تمامی نرون‌هایی که سیگنال از آن عبور می‌کند را نگهداری می کند و می‌داند که کدام یک از نرون‌های قبلی یا به اصطلاح نرون‌های والد باعث این اشتباه می‌شوند. همچنین می‌دانیم که هر کدام از این نرون‌های شبکه یک مقدار اشتباه را محاسبه کرده‌اند و از این طریق شبکه ما می‌تواند یاد بگیرد و اگر مقدار دیگری نیز به آن داده شد، می‌تواند توانایی محاسبه داشته باشد.

توابع آموزش
در نرم افزار MATLAB 7.8(2009a) هر یک از توابع موجود در جدول ۲-۱ را به عنوان تابع آموزش شبکه می توان استفاده نمود.
جدول ۲- ۱: انواع توابع آموزش