Якщо на вхід мережі подане зображення, яке потрапляє в той самий клас, що й еталонне зображення, а мережа відповідає “ні”, збільшують ваги, які йдуть від тих нейронів, початкова впевненість яких більше, ніж 50% максимальної. Збільшення робиться не на константу, а пропорційно до початкової впевненості нейрона, від якого йдуть ці ваги.

Якщо на вхід мережі подане зображення, яке належить до іншого класу, а мережа відповідає “так”, роблять усе навпаки - зменшують ваги, що йдуть від тих нейронів, початкова впевненість яких більше, ніж 50% максимальної. Зменшення також роблять і початковій впевненості нейрона, від якого йдуть ці ваги.

Що ж отримують в кінці-кінців? Для довільного зображення мережа за цим алгоритмом обраховує ступінь відповідності його еталонному зображенню, і цей процес завжди зупиняється, повертаючи правильний з точки зору “здорового глузду” результат. Отже, ми можемо за цим алгоритмом побудувати канонічне відображення F : [/R] так.

Для кожного еталонного зображення з множини {Et}tT будується описана вище мережа. Проводиться навчання за існуючою навчальною вибіркою, після чого можна починати розпізнавання. При розпізнаванні деякого зображення воно подається на вхід кожної мережі окремо, і кожна мережа вирішує, чи відповідає воно еталону мережі, і якщо так, то наскільки. Якщо декілька мереж (тобто, більше за одну) вважає, що це зображення з їхнього класу, вибирають переможцем ту, остаточна впевненість якої була найбільша. Якщо і така мережа не одна, виграє та, швидкість збіжності якої була найбільшою.

Якщо ж усі мережі при поданні на вхід деякого зображення відповідають “ні”, вважається, що воно потрапляє у клас, утворений за фіктивним еталоном Е0.

Однак, при практичній реалізації запропонованої системи розпізнання ми повинні памятати про дві основні проблеми.

По-перше, потрібно якось реалізовувати задачу виділення символьної інформації на зображенні аркуша паперу. Це означає, що на вхід системи подається не зображення окремої літери (у попередньому сенсі - з множин , чи ), а картинка, на якій друкованими або рукописними літерами “написано” декілька речень – наприклад, відскановане зображення звичайного аркушу паперу. Як результат роботи системи розпізнавання користувач бажає отримати текстовий файл, зміст якого збігався б із тим, що було написано на папері і відскановано. Без вирішення цієї проблеми розпізнавання літер перетворюється на винятково теоретичну задачу

По-друге, як би добре система не розпізнавала символи у “лабораторних” умовах, при спробі її реалізації програміст стикається з цілою низкою пов’язаних між собою проблем технічного характеру. Ці проблеми поділяються на чотири основні класи, які можна охарактеризувати так: зашумленість зображення, різниця в масштабах зображень, виділення на зображенні окремих рядків та слів у рядках, виділення окремих літер у словах.

Запропонований підхід до системи розпізнання літер був реалізований в роботі []. Проведені практичні експерименти засвідчили, що використання штучних нейронних мереж для розв’язування задач розпізнавання зображень хоча й має деякі недоліки, але в цілому є досить перспективним. Як було показано, на якість розпізнавання сильно впливають сторонні фактори, не пов’язані з розпізнаванням як таким – необхідність виділення символьної інформації на зображенні, уніфікації розмірів зображень літер тощо. Але навіть при цьому досягнута якість розпізнавання є цілком задовільною.

Можна також запропонувати декілька напрямків розвитку цього підходу. Найважливіший з них – удосконалення моделі нейроноподібної мережі. Побудована модель є сукупністю не зв’язаних між собою штучних нейронних мереж, в той час як нейрони людського мозку об’єднані в загальну, неподільну систему – переваги такої структури безсумнівні.

Беручи до уваги значний розвиток нейрокомп’ютерів та супутніх технологій за останній період, цілком імовірно, що через деякий час апарат штучних нейронних мереж отримає сильну практичну підтримку, і використання ШНМ стане набагато більш поширеним.