人工神经网络(ANN)是高效计算系统的网络，其主要主题是从生物神经网络的类比中借鉴而来的。人工神经网络也被称为“人工神经系统”，并行分布式处理系统，“连接系统”。 ANN获取大量以某种模式互连的单元集合，以允许单元之间进行通信。这些单元，也称为节点或神经元，是并行运行的简单处理器。

每个神经元通过连接链接与其他神经元连接。每个连接链接与具有有关输入信号信息的权重相关联。这对于神经元解决特定问题是最有用的信息，因为重量通常会抑制正在传递的信号。每个神经元都有其内部状态，称为激活信号。在组合输入信号和激活规则之后产生的输出信号可以发送到其他单元。它还包含一个权重始终为1的偏差“ b”。

为什么在神经网络中使用模糊逻辑

如上文所述，ANN中的每个神经元都通过连接链接与其他神经元连接，并且该链接与具有有关输入信号信息的权重相关联。因此，可以说权重具有有关输入的有用信息，可以解决问题。

以下是在神经网络中使用模糊逻辑的一些原因-

• 模糊逻辑主要用于定义神经网络中模糊集的权重。

• 如果无法应用清晰的值，则使用模糊值。

• 我们已经研究过训练和学习有助于神经网络在意外情况下表现更好。那时，模糊值比清晰值更适用。

• 当我们在神经网络中使用模糊逻辑时，这些值一定不能清晰，并且可以并行进行处理。

模糊认知图

它是神经网络中模糊性的一种形式。基本上，FCM就像具有模糊状态(不仅是1或0)的动态状态机。

神经网络中使用模糊逻辑的困难

尽管具有许多优点，但在神经网络中使用模糊逻辑时也存在一些困难。困难与隶属规则有关，需要建立模糊系统，因为有时用给定的一组复杂数据来推导它有时很复杂。

神经训练模糊逻辑

神经网络和模糊逻辑之间的反向关系，即用于训练模糊逻辑的神经网络也是一个很好的研究领域。以下是建立神经训练模糊逻辑的两个主要原因-

• 借助神经网络可以轻松学习新的数据模式，因此可以将其用于预处理模糊系统中的数据。

• 神经网络由于能够学习与新输入数据之间的新关系，因此可以用来细化模糊规则以创建模糊自适应系统。

神经训练模糊系统的例子

神经训练模糊系统正在许多商业应用中使用。现在让我们看一些应用神经训练模糊系统的例子-

• 日本横滨的国际模糊工程研究实验室(LIFE)拥有一个反向传播神经网络，可以得出模糊规则。该系统已成功应用于约5000条模糊规则的外汇交易系统。

• 福特汽车公司开发了可训练的模糊系统，用于汽车怠速控制。

• 美国国家半导体公司的软件产品NeuFuz支持使用神经网络为控制应用程序生成模糊规则。

• 德国AEG公司的节水节能机器使用了神经训练的模糊控制系统。它总共有157条模糊规则。