otrzymujemy &lt;gap&gt; gdzie j - numer kolejnej aktywacji sieci.<br>Zakładamy, że wszystkie wagi połączeń przed rozpoczęciem uczenia mają wartość &lt;gap&gt;. Wartość wag jest modyfikowana o składnik będący macierzą korelacji &lt;gap&gt;. Po przeprowadzeniu N aktywacji sieci, odpowiadających liczbie elementów ciągu uczącego otrzymujemy sumaryczną poprawkę wag połączeń sieci &lt;gap&gt;<br>Załóżmy, że wykorzystana procedura ucząca zdołała nauczyć sieć rozpoznawania obrazów ciągu uczącego. Trzeba przypomnieć, że w praktyce często są z tym problemy, wynikające głównie ze złego dobrania parametrów sieci, np. rodzaju funkcji wyjścia, liczby elementów sieci lub ze złego dobrania procedury parametryzacyjnej, która nie wyekstrahowała parametrów o cechach dystynktywnych dla danych klas sygnału i stanu obiektu. Interesujące jest zachowanie