Впервые предложена архитектура сети на базе гибридных нейроподобных элементов для оценки точности аппроксимации, отличающаяся наличием блока оценивания точности. Усовершенствован метод преобразования для обучения сетей на базе гибридных нейроподобных элементов, отличающийся введением ограничений в виде неравенств на настраиваемые параметры сети, и уточнением получаемой оценки координат глобального экстремума с помощью усовершенствованного гравитационного поиска. Получил дальнейшее развитие метод синтеза сети на базе гибридных нейроподобных элементов, отличающийся двухэтапной структурной и параметрической оптимизацией сети. Эффективность предложенных методов доказана экспериментально на тестовых и реальных данных.