Este estudio discute cómo difuminar una red neuronal feedforward (FNN) para generar un pronóstico difuso que contenga el valor real, al tiempo que se minimiza el rango promedio de los pronósticos difusos. Este tema rara vez ha sido investigado en estudios anteriores, pero es un paso esencial para construir una FNN difusa precisa (FFNN). Los métodos existentes difuminan todos los parámetros al mismo tiempo, lo que resulta en un problema de programación no lineal (NLP) que no es fácil de resolver. En contraste, en este estudio, los parámetros de una FNN se difuminan de forma independiente. De esta manera, los valores óptimos de los parámetros difusos pueden derivarse teóricamente. Se utiliza un ejemplo ilustrativo para mostrar la aplicabilidad de la metodología propuesta. Según los resultados experimentales, difuminar los umbrales en los nodos de la capa oculta o los pesos de conexión entre las capas de entrada y oculta no garantiza que todos los pronósticos difusos contengan los valores reales correspondientes. En cambio, difuminar el umbral en el nodo de salida y los pesos de conexión entre las capas oculta y de salida es más probable que logre una tasa de acierto del 100%. Los resultados sientan las bases para establecer una FFNN profunda precisa en el futuro.