Redes Neurais baseadas em Funções de Base Radial (RBFNN) são métodos clássicos do aprendizado de máquina que contêm uma camada de Funções de Base Radial (RBF) que atuam como extrator de características para a camada final, que executa o reconhecimento de padrões. A estimação do raio das RBFs é uma das atividades mais cruciais do treinamento de modelos RBFNN e afeta diretamente o seu poder de generalização e acurácia. Neste trabalho é apresentado uma nova heurística para estimação do raio e experimentos computacionais são empregados para medir sua eficácia comparada à outras abordagens usando 14 problemas de classificação. A método proposta mostrou uma eficácia competitiva, vencendo os demais métodos em 9 dos 14 problemas.