روش اختلاط خبره ها یکی از رایج ترین و جذاب ترین روش های ترکیب است که توانایی زیادی برای بهبود عملکرد در یادگیری ماشین دارد. این روش بر اساس قانون تقسیم و غلبه ایجاد شده که در آن فضای مساله بین خبره های شبکه عصبی با نظارت شبکه میانجی تقسیم می شود. مدل اختلاط خبره ها بر مبنای استراتژی های جداسازی فضای مساله بین خبره ها، به دو گروه 1- اختلاط خبره های محلی شده ضمنی 2- اختلاط خبره های محلی شده صریح، دسته بندی می شوند. در گروه اول فضای مساله با استفاده از تابع هزینه مخصوصی بطور ضمنی به چند زیرفضا بخش بندی و خبره ها در زیرفضاها محلی می شوند. در گروه دوم فضای مساله بوسیله روش های خوشه بندی، قبل از آموزش خبره ها، بطور صریح بخش بندی شده و هر خبره به یک زیرفضا اختصاص داده می شود. بررسی ها نشان می دهد که هر دو گروه خصوصیات مکمل دارند. بنابراین در این تحقیق ابتدا یک مدل اختلاط خبره های ترکیبی برای پیوسته کردن تقسیم صریح فضای مساله در الگوریتم اختلاط خبره های محلی شده ضمنی با یک ساختار یادگیری ترکیبی ارائه شده است. در ادامه یک روش برای بهبود عملکرد روش اختلاط خبره های محلی شده صریح ارائه شده است. در روش اختلاط خبره های محلی شده صریح، هر خبره در یکی از زیر فضاهای از پیش تعیین شده مورد آموزش قرار می گیرد. در روش پیشنهادی برای تعیین زیر فضاها، به تعداد خوشه های بهینه، خوشه بندی انجام می گیرد. یکی از دلایل پایین آمدن کارآیی اختلاط خبره های محلی شده صریح، وجود نمونه هایی در ناحیه هم پوشانی بین خوشه هاست. برای رفع این مشکل ابتدا داده های ناحیه هم پوشانی از سایر داده ها جدا شده و به یک سیستم مرکب دیگر اعمال می شود و هرکدام از زیر فضاهای بدون هم پوشانی به هر یک از خبره ها اعمال می شود. بررسی های تئوری و نتایج آزمایش ها بر روی مجموعه داده های مصنوعی، چندین مساله معیار طبقه بندی واقعی و همچنین سیگنال های مغزی نشان می-دهد که روش های ارائه شده ضمن حفظ ویژگی های مثبت و کاهش نقاط ضعف، کارآیی بهتر و پایداری بیشتر را نسبت به روش های هر دو گروه دارا هستند.