Se ha ideado por primera vez una arquitectura de aprendizaje de correlación en cascada para unidades de procesamiento de funciones de base radial. El algoritmo propuesto fue evaluado con dos conjuntos de datos sintéticos y dos conjuntos de datos químicos mediante la comparación con otros seis clasificadores estándar. La capacidad para detectar una clase novedosa y una clase desequilibrada se demostró con datos sintéticos. En los conjuntos de datos químicos, las regiones de crecimiento de los aceites de oliva italianos fueron identificadas por sus perfiles de ácidos grasos; los espectros de masas de compuestos policlorobifenilos fueron clasificados por número de cloro. Los resultados de predicción mediante particiones latinas de arranque indican que la red neuronal propuesta es útil para el reconocimiento de patrones.