Les réseaux neuronaux artificiels sont des modèles informatiques inspirés de la neurobiologie pour améliorer et tester les analogues informatiques des neurones. Dans un réseau de neurones à anticipation (FFNN), le traitement des données se produit dans une seule interconnexion avant, de la couche d'entrée à la couche de sortie, sans aucune boucle arrière. Le regroupement non supervisé par FFNN (UFFNN) possède de grandes capacités telles que les architectures inhérentes de traitement parallèle distribué, l'ajustement des poids d'interconnexion pour apprendre et diviser les données en groupes significatifs avec des objectifs particuliers, la classification de données connexes en groupes similaires sans utiliser d'étiquette de classe, le contrôle des données bruyantes et l'apprentissage des types de valeurs de données d'entrée sur la base de leurs poids et propriétés. En général, dans les environnements réels, les données dynamiques sont volumineuses et dimensionnelles. Par conséquent, les méthodes de clustering dynamique UFFNN en ligne doivent être développées pour avoir une capacité d'apprentissage incrémentiel en ligne.