انواع مختلفی از شبکه های عصبی مصنوعی با توجه به اهداف تحقیق می تواند مورد استفاده قرار گیرند که یکی از معروف ترین آنها، شبکه عصبی چند لایه پیش خور (MFNN) می باشد. شبکه عصبی چند لایه پیش خور مثالی از شبکه عصبی آموزش داده شده با استفاده از ناظر است. بر طبق مطالعات اخیر، بیش از پنجاه درصد مطالعات کاربردی گزارش شده از شبکه عصبی چند لایه پیش خور (MFNN) با قوانین الگوریتم یادگیری پس انتشار استفاده کرده اندال ۱۸].

این نوع شبکه عصبی به دلیل کاربردهای گسترده در بسیاری از ابعاد مسایل مربوط به مدیریت مانند پیش بینی، طبقه بندی و مدل سازی، بسیار محبوب است. MIFNN برای حل مسائلی که شامل یادگیری ارتباط بین یک مجموعه ورودیها و خروجی ها مشخص هستند، مناسب می باشد.

در این مطالعه با ترکیب شبکه های عصبی مصنوعی و منطق فازی، موفق به پیاده سازی یک سیستم فازی به گونه شده ایم که قابلیت یادگیری داشته باشد. در این روش در هر دور آموزش هنگام حرکت رو به جلو خروجی های گروه ها به صورت عادی تا لایه آخر محاسبه می شود و سپس با مقایسه مقدار خروجی واقعی و مطلوب توسط روش کمترین مربعات خطا، مقدار خطا محاسبه می شود. در مسیر بازگشت به عقب نسبت خطا بر روی پارامترهای شرط، پخش شده و با استفاده از روش شیب نزولی خطا مقدار آن تصحیح می شود.

ساختار های مختلفی برای پیاده سازی یک سیستم فازی توسط شبکه های عصبی پیشنهاد شده است که یکی از پر قدرتترین این ساختارها، ساختار موسوم به سیستم استدلال عصبی فازی معمولی (ANFIS) است که توسط JaTTS ابداع گردیده است || ۱۹] . معماری سیستم استدلال عصبی فازی مصنوعی در شکل (۱) نشان داده شده است.