En este documento, demostramos que las capas de peso fijo generadas a partir de una distribución aleatoria o funciones logísticas pueden extraer de manera efectiva características significativas de los datos de entrada, lo que resulta en una alta precisión en una variedad de tareas, incluidos los conjuntos de datos de Iris de Fisher, Cáncer de Mama de Wisconsin y MNIST. Hemos observado que las funciones logísticas ofrecen alta precisión con menos dispersión en los resultados. También hemos evaluado la precisión de nuestro enfoque bajo condiciones de minimizar el número de picos generados en la red. Es prácticamente útil para reducir el consumo de energía en redes neuronales de picos. Nuestros hallazgos revelan que el método propuesto demuestra la mayor precisión en los conjuntos de datos de Iris de Fisher y MNIST con decodificación utilizando regresión logística. Además, superan la precisión del enfoque convencional (no de picos) utilizando solo regresión logística en el caso de Cáncer de Mama de Wisconsin. También hemos investigado el impacto de la generación de picos no estocástica en la precisión.