En este documento, proponemos un método de aprendizaje en chip que puede superar las pobres características de los dispositivos sinápticos prácticos pre-desarrollados, aumentando así la precisión de la red neuronal basada en el sistema neuromórfico. Los dispositivos sinápticos fabricados, basados en PrCaMnO, LiCoO y TiO, sufren inherentemente de características no deseadas, como no linealidades, discontinuidades y respuestas de conductancia asimétricas, que degradan el rendimiento del sistema neuromórfico. Para abordar estas limitaciones, hemos propuesto un método de cuantización ponderada lineal basado en la conductancia, que controla los cambios de conductancia, y entrenamos una red neuronal para predecir los dígitos escritos a mano de la base de datos estándar MNIST. Además, consideramos cuantitativamente el caso no ideal, para garantizar la fiabilidad limitando el nivel de conductancia que los dispositivos sinápticos pueden aceptar en la práctica. Basándonos en este método de aprendizaje propuesto, mejoramos significativamente el sistema neuromórfico, sin realizar modificaciones de hardware en los dispositivos sinápticos o sistemas neuromórficos. Por lo tanto, los resultados muestran enfáticamente que, incluso para dispositivos con características sinápticas pobres, se puede mejorar el rendimiento del sistema neuromórfico.