Jednostavnost građe i algoritama učenja od iznimne su važnosti u primjenama neuronskih mreža u stvarnom vremenu. CMAC neuronska mreža s asocijativnom memorijskom organizacijom i Hebbianovim algoritmom učenja udovoljava ovim zahtjevima. Međutim, Hebbianov algoritam učenja ne daje dobre rezultate pri off-line identifikaciji, koja se koristi kao pripremna faza za on-line identifikaciju. U ovom se članku pokazuje da se optimalne vrijednosti parametara CMAC neuronske mreže mogu dobiti primjenom tehnika konveksne optimizacije. Za standardnu l2 aproksimaciju koristi se kvadratno programiranje (QP), a za l1 i l‡ aproksimacije linearno programiranje (LP). U oba je slučaja jednostavno uključiti fizikalna ograničenja na vrijednosti parametara u algoritam optimizacije.