该层中的每个节点与输入向量连接。网络输入误差及其变化率，对应的输入输出−第j个节点可表示为：

2）隶属函数

  在该层中，因为输入变量模糊，所有选择高斯隶属函数。

  其中，CIJ和σij分别表示为第i个 变量的第j个节点的高斯函数中心值和标准差，两者是可调参数。

3)规则层，即，模糊规则的乘法运算。

 

其中是第三层的第i个输入变量。

4)输出层，即，输出变量的清晰度。

其中V分别是i和j之间的连接权值，他们都是可调整的参数。

4。2重量调整

  权重选择对系统性能有很大的影响，如果权重不合适，神经网络的收敛速度将降低。本文基于梯度下降法对网络权值进行修正。

  定义目标函数如下：

其中是网络的期望的输出，而是网络的实际输出；

 当V分别是,和同时假设,和为1，从图2可知，输出层的反向传输误差被描述为: