I løpet av det siste tiåret før utgivelsen av 'Feedforward Neural Network Methodology' har vi vært vitne til en enestående vekst i beregningshastighet og minnekapasitet, samtidig som vår forståelse av kunstige nevrale nettverk har blitt betydelig forbedret. Denne utviklingen har gjort det mulig for systemingeniører og statistikere å skape nøyaktige, komplekse og ikke-lineære modeller av fenomener som tidligere var lite forstått. Dette gjelder både fysiske, økonomiske, sosiale og informasjonsbaserte tidsserier og signaler, samt mønstre skjult i høy-dimensjonal data. Modellene er nært knyttet til dataene selv og krever minimal forkunnskap om de stokastiske mekanismene som ligger til grunn for disse fenomenene. Blant disse modellene har feedforward nevrale nettverk, også kjent som multilags perceptroner, vist seg å være særdeles effektive i utviklingen av en bred rekke vellykkede prognoseverktøy, mønstergenkjennere, kontrollerere og sensorer. Disse systemene har blant annet vært svært nyttige innen optisk tegngjenkjennelse og medisinsk diagnostikk, der de har demonstrert imponerende resultater.
