Из раздела 6 известно, что задача управления наблюдениями сводится к взвешиванию на общем сумматоре принятых 
антеннами сигналов, помех и шумов и управлению весами 
с целью минимизации помех. В результате определяются алгоритмы адаптивных антенных решеток, адаптивных компенсаторов помех и др. Сравнение персептрона МакКаллока-Питтса со структурой адаптивной антенной решетки показывает, что их структуры достаточно близки.
Упрощенная структурная схема ААР представлена на рис.11.4. Из сопоставления структуры (рис.11.1) и ААР (рис.11.4) видно, что в состав ААР не входит решающая схема с функцией 
. Отсутствие этой схемы в ААР объясняется тем, что целью адаптивной антенной решетки является подавление помех на выходе сумматора, формирование желательной структуры наблюдения 
. Очевидно, если на выходе ААР включить решающую схему (нелинейный элемент), то такой обобщенный алгоритм будет представлять собой типовую структуру цифрового приемного устройства, где с помощью нелинейной разделяющей функции определяется порог в соответствии с выбранным критерием оптимальности.
Рис.11.4. Структурная схема адаптивной антенной решетки
Можно показать также, что известный из теории НС адаптивный линейный нейрон «адалайн» (ADAptive Liner Neuron) реализует алгоритм и структуру, аналогичную к структуре ААР, синтезированной с помощью процедуры Роббинса-Монро:
, (11.7)
где 
- эталонный сигнал, 
- шаговая постоянная 
.
Вместе с тем, кроме схемы принятия решения у нейрона и ААР имеются и существенные различия, к числу которых следует отнести:
Р1. Входные сигналы ААР 
являются высокочастотными когерентными, представляющими взаимные копии, сдвинутые по фазе за счет различий во временах прихода на соответствующие антенные элементы (см.рис.6.6). При управлении ВВК-вектором весовых коэффициентов, ААР в соответствии с алгоритмом (6.15), обеспечивает на общем сумматоре взаимную компенсацию значений помехи 
. Весовые коэффициенты ААР при этом должны быть или комплексными (для управления амплитудой и фазой) или могут быть представлены в квадратурах:
, (11.8)
где 
- квадратурные компоненты ВВК.
В противоположность этому во входных цепях нейрона не предполагается наличия когерентности. Более того, чаще всего полагают, что входными сигналами 
могут быть постоянные (например 0 или 1) или медленноменяющиеся функции, хотя и не исключается их гармонический комплексный характер.
Р2. ААР – является завершенным целевым объектом, в то время как нейрон – это не только уединенный, но и большей частью элемент более сложного объекта (сети), состоящего из многих взаимосвязанных нейронов. Классическая нейронная сеть – множество взаимосвязанных нейронов, позволяющих создавать огромное многообразие систем различного назначения, с различными свойствами.
Виды нейронных сетей
Взаимосвязанные нейроны могут образовывать многослойные структуры (рис.11.5). В каждом слое может находиться различное число нейронов. Если не оговорено противное, то каждый выходной сигнал 
-го слоя подается на вход всех нейронов (
)-го слоя.
Рис.11.5. Структура многослойной нейронной сети
При стандартном способе подачи входных сигналов все нейроны 1-го слоя принимают каждый входной сигнал. При этом 1-й и 
-й слои называются соответственно входным и выходным, а все промежуточные – скрытые.
Каждый из слоев, кроме выходного может быть разбит на 2 блока: возбуждающий и тормозящий. Такими же возбуждающими (с положительными весами ) или тормозящими (с отрицательными весами 
) могут быть и связи между слоями. При возбуждающих связях любой выходной сигнал блока является монотонно неубывающей функцией сигнала, переданного предыдущим блоком. При тормозящих связях этот сигнал – невозрастающая функция.
По структуре связей НС разделяются на следующие конструкции:
- полносвязные, в которых каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. В такой сети входной сумматор нейрона фактически распадается на два: первый вычисляет линейную функцию от входных сигналов, второй – нелинейную функцию от выходных сигналов других нейронов, полученных на предыдущем шаге. (Сеть Хопфилда);
- рекуррентные, отличающиеся тем, что слои замкнуты в кольцо – последний передает свои выходные сигналы первому. Однажды запустившись, такие сети могут функционировать бесконечно долго;
- слоисто-полносвязные сети состоят из слоев, каждый из которых представляет собой полносвязную сеть;
- полносвязно-слоистые сети имеют свойства двух предыдущих сетей;
- радиальные сети (сети с радиальной функцией), в которых нейроны реализуют функции, радиально изменяющиеся вокруг выбранного центра и принимающие ненулевые значения только в окрестности этого центра. Подобные функции, определяемые в виде 
, будем называть радиальными базисными функциями. В таких сетях роль нейрона заключается в отображении радиального пространства вокруг одиночной заданной точки (центра) либо вокруг группы таких точек, образующих кластер. Суперпозиция сигналов, поступающих от всех таких нейронов, позволяет получить отображение всего многомерного пространства.