1）慢速学习（Slow learning）

      文献[6]中明确给出，当F2层第J个节点被激活，对应的LTM向量zJ的学习规则表达为：

                           

      由式可知，与其它神经网络相比，ART2网络的显著特点之一就是它是一种连续网络[13]。将式离散化，可以得到离散形式的慢速学习规则：

          

      文献[14]使用了符号α取代⊿t，并明确地称α为学习速度（learning rate）。文献[15]、[16]采用的学习规则等同于α=1。

      其它类型人工神经网络，例如BP网络，学习速率α一般在[0,1]区间内。然而从式可知，⊿t为样本送入ART2网络进行学习的时间，没有小于1的限制。但过大的⊿t容易引起振荡或发散，这一点很容易从离散系统的相关知识理解。

      无论F2层被激活的节点J是已定型（committed）节点还是未定型(uncommitted)节点，除非输入样本持续的时间足够长，慢速学习规则都有保留LTM向量zJ原有值的趋向，这种特性称之为慢速编码（Slow recoding）。

      2）快速学习(Fast learning)

      当输入样本持续的时间足够长，也即时间t->∞，等价于令式等于0，可得：

      即多数ART2相关文献通常采用快速学习规则[13]。如果图1中的函数f(.)为线性函数，由文献[7]，可以证明在采用快速学习条件下，LTM向量zJ与F1层的中间向量u方向相同。快速学习的显著特征是LTM向量zJ的幅值一次性达到1/(1-d)，称之为快速定型特性（Fast commitment）。

      但需要说明的是由于STM向量u的迭代计算中用到了F2层的LTM反馈，因此，快速学习规则也具有使LTM向量zJ保持原有存储信息的能力。

      3) 折中学习(Intermediate learning )

      在实际应用中，ART2网络经常需要有一个合适的学习速率来应对噪声和保持系统稳定性，同时克服样本输入次序对分类结果的影响。文献[7]指出，相对过激的快速学习方式不适合处理噪声水平较高的数据集，而慢速学习虽然可以较好地处理噪声问题，但可能存在无意义的搜索过程，导致计算速度慢。为此，文献[7]提出了基于变形的ART2网络的折中学习概念，并称之为ART2-A算法，其主要行为特征是同时具备快速定型特性和慢速再编码特性。

      快速定型特性是指在激活了未定型（uncommitted）节点时采用快速学习，使LTM向量的模||zJ||一次达到1/(1-d)，可避免了慢速学习方式造成的在已定型节点进行无意义搜索的问题。慢速再编码特性则是在激活了已定型（committed）节点时，采用近似慢速学习的学习规则，解决噪声和样本输入顺序带来的影响。      

      需要指出的是ART2的折中学习不能被理解为介于快速学习和慢速学习之间的中速学习，它是快速学习和慢速学习的有机结合。

      ART2网络的其它一些变形学习规则基本可以归入以上三种类型。