ایران مرکزی دارای کانسارهای متعددی از آهن، آپاتیت و اورانیم به سن پروتروزوییک است. در این مطالعه، به منظور تهیه نقشه پتانسیل معدنی برای کانی زایی تیپ اکسید آهن(Cu-U-Au-REE ) پروتروزوییک، ازسامانه شبکه‌های عصبی استفاده شد. سامانه استفاده شده نوعی شبکه عصبی به اسم RBFLN است که شکل تغییریافته‌ای از شبکه عصبی بر پایه تابع شعاعی (RBFNN) می‌‌باشد.دراین مطالعه داده‌های چینه شناسی، ساختاری، ژئوفیزیکی وژئوشیمیایی به عنوان بردارهای چند بعدی وارد شبکه عصبی شدند. به منظور یادگیری شبکه از 58 کانسار و 58 غیرکانساراستفاده شد. برای تهیه نقشه‌‌های ورودی از دو روش استفاده شد. در روش اول تلفیقی از نقشه‌های چندکلاسه و دو کلاسه وارد شبکه عصبی شد. در روش دوم تمام نقشه‌های نشانگر به نقشه‌های دوکلاسه دسته بندی شدند. اعمال RBFLN بر روی داده‌های ورودی مختلف نشان داد که افزایش تعداد نقشه‌های ورودی و در نتیجه افزایش تعداد کلاسها منجر به بالا رفتن خطای  مجموع مربعها (SSE) دسته بندی می‌شود. به طورکلی تکراردفعات یادگیری باعث بهبود خطای SSE در حین یادگیری  می‌شود. نتیجه این مطالعه همچنین نشان داد که پراکندگی مناسب نقاط کانساری و غیر کانساری و فراوانی آنها نسبت به هم  تاثیر زیادی در نتیجه دسته بندی می‌گذارد.