Bài báo này cải tiến luật học Perceptron để có thể áp dụng được cho các mạng nơron truy hồi nói chung và mạng nơron tế bào (CNNs Cellular Neural Networks) nói riêng, khi mà phiên bản gốc chỉ dùng cho các mạng nơron truyền thẳng. Để thực hiện điều này, ta ghép tín hiệu vào, tín hiệu phản hồi và độ lệch thành một tín hiệu vào tổng quát
phần còn lại luật học tiến hành như phiên bản gốc. Tuy nhiên, do đặc thù của mạng nơron tế bào, một số tham số cũng được bổ sung và cải biên ít nhiều. Một vài ví dụ cũng được tiến hành trong bài báo nhằm trực quan hóa ý tưởng., Tóm tắt tiếng anh, This paper modifies the Perceptron learning rule in order to apply to all recurrent neural networks in general and cellular neural networks in particular since the original Perceptron learning rule was only used for feedforward neural networks. The idea is as follows, we link input, feedback output, and the bias of the cellular neural network to become new general input. The next step of the process can be implemented as the original Perceptron learning rule. However, cellular neural networks characterized by some features and several parameters in the learning rule that modifies the Perceptron can be added. Some examples are proposed in the paper to visualize the idea.