ویولتها قادر هستند که یک تابع را در دقتهای مختلف تقریب بزنند. این خاصیت آنها را برای مدل سازی و تقریب سیستمهای غیر خطی مناسب ساخته است. برای بدست آوردن یک تقریب مناسب محاسبه پارامترهای توابع پایه ویولت از اهمیت زیادی برخوردار است. برای محاسبه پارامترهای توابع پایه ویولت روشهای متعددی از جمله روشهای بر مبنای شبکه‌های عصبی (ویونت) به کار برده شده است. در این مقاله روش جدیدی بر اساس اتوماتای یادگیر برای محاسبه پارامترهای ویولت ارائه گردیده است. روش پیشنهادی از قدرت تصمیم گیری و جستجوی اتوماتای یادگیر استفاده کرده و در هر مرحله با اضافه کردن ویولت جدید به تقریب قبلی و حذف ویولتهائی که به کاهش خطا کمکی نمی‌کنند سعی در کاهش خطا می‌نماید. روشهای پیشنهادی برخلاف روش یادگیری L2 که نیاز به محاسبات بسیار بالائی (از جمله معکوس کردن یک ماتریکس با ابعاد بالا برای تعداد زیاد نمونه ها) از محاسبات کمتر و بسیار ساده‌تری برخوردار است. همچنین برخلاف برخی روشهای بر پایه شبکه‌های عصبی که دارای ساختار ثابتی هستند دارای ساختاری پویا می باشد. یعنی تعداد توابع پایه از قبل مشخص نمی‌گردد بلکه در حین فرآیند تقریب تعیین می شوند. روش پیشنهادی بر روی مسائل متنوعی آزمایش شده است و نتایج بسیار خوبی بدست آمده است.
)