FBACN sử dụng các mạng nơron đa khớp nối, không gắn trực tiếp các công thức của fuzzy c-means. Cấu trúc của FBACN được đưa ra như hình 3.6. Lớp hồi quy layer1 (recursion1) được thực hiện bởi một mạng Hopfield để tối ưu hoá các trung tâm cụm. Trong khi đó lớp hồi quy layer2 (recursion2) được thực hiện bởi một mạng nơron đa khớp nối để tối ưu các độ thuộc. Kết hợp layer1 và layer2 tạo thành lớp hồi quy 3 (recursion3).
Hoạt động của FBACN được mô tả như sau: thứ nhất là khởi tạo ngẫu nhiên các trung tâm cụm và độ thuộc thành viên của layer1 và layer2 tương ứng. Thứ 2, khởi tạo các độ thuộc thành viên trong layer2 sẽ được truyền sang layer1. Thứ 3, dựa trên việc nhận được các độ thuộc thành viên, layer1 thực hiện quá trình hồi quy để thu được các trung tâm cụm tối ưu mớị Thứ 4, các trung tâm cụm mới của layer1 truyền sang layer2. Thứ 5, dựa trên việc nhận được các trung tâm cụm mới, thực
Layer 1 Tối ưu các trung tâm cụm vi recursion1 Layer 2 Tối ưu các độ thuộc ui,k recursion2 vi’s ui’s recursion3
hiện quá trình hồi quy để thu được độ thuộc thành viên tối ưu mớị Việc hoàn tất quá trình trên từ bước 2 đến bước 5 được gọi là quá trình lặp. Quá trình lặp diễn ra cho tới khi nào đạt tới một tiêu chuẩn tới hạn.
Trong một cách nhìn nào đó, các đầu ra trung tâm cụm mới của layer1 truyền tới layer2, và đầu ra các độ thuộc thành viên mới của layer2 truyền tới layer1. Sự kết hợp này tương đồng với sự kết hợp của BAM. Tuy nhiên sự thực hiện của FBACN là phức tạp hơn BAM.
3.1. Xây dựng lớp mạng layer1 cho tối ƣu các trung tâm cụm
Trong layer1 của FBACN có thể được thực hiện bởi một mạng Hopfield hoặc mạng nơron đa khớp nối, dựa trên việc thêm những ràng buộc của phân hoạch mờ. Nếu các ràng buộc tạo nên kết quả hàm mục tiêu bao gồm các dạng hight-order, logarith, và dạng hình sin, thì mạng nơron đa khớp nối có thể được sử dụng thay vì một mạng Hopfield đơn giản. Ta giả định rằng, không có những ràng buộc trong layer1, thì mạng Hopfiled được mô tả trong hình3.2 có thể được sử dụng.