Bir CMAC nöral devresinin başarısı, öğrenme algoritmasına ve giriş vektörlerin seçimine bağlıdır. CMAC algoritmasını geliştirme konusunda yeterli bir çalışma yapılmamıştır. Oysa, bir algoritmanın zayıf yönleri diğer algoritmanın güçlü yönleriyle birleştirilebilir. Bu makalede önce algoritmaların açıklanması yapılmış olup bunu takiben algoritma özellikleri ve bilgisayar simulasyonları kullanılarak karşılaştırımı yapılmıştır. 'Maksimum Hata Algoritması'nın sonuç olarak en iyi performansı göstermiştir. Geliştirim, önerilen Maksimum Hata Algoritması üzerine olmuş ve önerilen 'Kombine Algoritma' metodu CMAC'in başlangıçta fonksiyonu çok hızlı kavramasını sağlamıştır. Yeni bulunan bu teknikle kontrol sistemlerinde çok büyük öneme sahip olan fonksiyonu hızlı kavrama oranı arttırılabilmektedir.

The performance of a CMAC neural network depends on the training algorithms and the selection of input points. Papers have been published that explain CMAC algorithms but little work has been done to improve existing algorithms. In this paper, the existing algorithms are first explained and then compared using computational results and the algorithm properties. Improvements are made to the recommended Maximum Error Algorithm by using a "Combine Algorithm" approach. In this method, CMAC network is first trained by using Neighborhood Training Algorithm and then trained by Maximum Error Algorithm for fine-tuning of CMAC network. Faster initial convergence is achieved for the recommended Maximum Error Algorithm. This approach may reduce the training time and accelerate the initial learning which is very important in many control applications.