본 논문에서는 방사형 기저함수 네트워크(RBFN)에 대해 기대위험(expected risk)의 데이터 의존적 상한(upper bound)을 분석한다. 기대위험의 상한을 네트워크 크기와 훈련 데이터셋 크기의 함수로 명시적으로 표현하므로, RBFN이 기저 함수를 점진적으로 추가하는 경우에도 적용할 수 있다. 제안된 기대위험 상한은 RBFN에 대한 점진적 학습 알고리즘의 점근적 성질의 관점에서 면밀히 분석된다. 제안된 RBFN의 특성이 비선형 회귀 문제에 대한 점진적 학습 알고리즘의 수렴율을 추정하는 데 효과적임을 보이기 위해, 시뮬레이션 데이터를 활용한 실험도 수행되었다.