模糊推理在人工智能技术中的研究现状
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点【模糊控制技术发展现状及研究热点】一、引言模糊控制技术是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性的问题，在工业控制、自动化系统、人工智能等领域得到了广泛的应用。
本文旨在介绍模糊控制技术的发展现状以及当前的研究热点。
二、模糊控制技术的发展现状1. 发展历程模糊控制技术起源于上世纪60年代，由日本学者松井秀树首次提出。
随后，美国学者津田一郎对模糊控制进行了深入研究，并提出了模糊控制的基本理论框架。
自此以后，模糊控制技术得到了快速发展，并在工业控制领域得到了广泛应用。
2. 应用领域模糊控制技术在许多领域都有广泛的应用。
其中，工业控制是模糊控制技术的主要应用领域之一。
通过模糊控制技术，可以实现对复杂工业过程的控制和优化。
此外，模糊控制技术还应用于自动驾驶、机器人控制、电力系统控制等领域。
3. 发展趋势随着信息技术的迅速发展，模糊控制技术也在不断创新和进步。
目前，模糊控制技术正朝着以下几个方向发展：（1）深度学习与模糊控制的结合：将深度学习技术与模糊控制相结合，可以提高模糊控制系统的性能和鲁棒性。
（2）模糊控制理论的拓展：研究者们正在不断完善模糊控制理论，以适应更加复杂和多变的控制问题。
（3）模糊控制技术在新领域的应用：随着科技的发展，模糊控制技术将在更多领域得到应用，如医疗、金融等。
三、模糊控制技术的研究热点1. 模糊控制算法优化目前，研究者们正致力于改进模糊控制算法，以提高控制系统的性能。
其中，遗传算法、粒子群算法等优化算法被广泛应用于模糊控制系统的参数优化和规则提取。
2. 模糊控制系统的建模方法模糊控制系统的建模是模糊控制技术研究的重要内容之一。
目前，常用的建模方法包括基于经验的建模方法、基于数据的建模方法以及基于物理模型的建模方法。
研究者们正在探索更加准确和高效的建模方法。
3. 模糊控制技术在自动驾驶领域的应用随着自动驾驶技术的快速发展，模糊控制技术在自动驾驶领域的应用也备受关注。
人工智能中的模糊理论与模糊推理
人工智能中的模糊理论与模糊推理人工智能（Artificial Intelligence，AI）是计算机科学的一个重要分支，旨在让机器能够模仿和模拟人类的智能行为。
在AI的发展过程中，模糊理论（Fuzzy Theory）和模糊推理（Fuzzy Reasoning）是扮演着重要角色的两个概念。
模糊理论和模糊推理可以帮助我们解决那些具有不确定性和模糊性的问题，并且在模拟人类的智能过程中起到了关键作用。
本文将详细介绍，并讨论其应用领域。
1. 模糊理论模糊理论是由扎德（Lotfi A. Zadeh）于1965年提出的，它是一种能够处理现实世界中不确定性和模糊性问题的数学工具。
与传统的逻辑学不同，模糊理论引入了“模糊集合”的概念，用来表示不同程度的隶属度。
在传统的二值逻辑中，一个元素只能属于集合或者不属于集合，而在模糊集合中，一个元素可以同时属于多个集合同时也可以部分属于某个集合。
模糊集合的定义通常采用隶属度函数（membership function）来表示，这个函数将每个元素在0到1之间的值来表示其属于程度。
这种思想可以很好地应用到处理模糊性问题的场景中。
例如，当我们描述一个人的高矮时，可以定义一个“高”的模糊集合，然后通过隶属度函数来表示每个人对于“高”的隶属度。
2. 模糊推理模糊推理是一种基于模糊逻辑的推理方法，它是基于模糊集合的运算来实现推理的过程。
模糊推理通过模糊集合之间的关系来表示模糊规则，从而得到推理的结果。
通常，模糊推理过程包括模糊化、模糊规则的匹配、推理方法的选择以及解模糊化等步骤。
在模糊化的过程中，将输入转化为模糊集合，并通过隶属度函数给出每个输入值的隶属度。
在模糊规则的匹配阶段，将输入的模糊集合与模糊规则进行匹配，根据匹配程度得到相应的隶属度。
然后，根据推理方法的选择，确定输出值的隶属度。
最后，通过解模糊化的过程，将模糊输出转化为确定的输出。
模糊推理的一个重要特点是能够处理模糊和不确定性的信息。
基于模糊逻辑的人工智能优化算法研究
基于模糊逻辑的人工智能优化算法研究在人工智能优化算法的研究中，模糊逻辑技术被广泛应用。
模糊逻辑是一种处理模糊问题的数学方法，它通过模糊集合、模糊关系、模糊逻辑和模糊推理等方式来解决模糊不定、不精确和模糊信息的处理问题。
基于模糊逻辑的人工智能优化算法，可以更好地解决实际问题，提高优化算法的适应性和应用效果。
一、模糊逻辑技术在人工智能优化算法中的应用人工智能优化算法是一种通过寻找最优解来解决复杂问题的技术。
与传统的数学方法不同，人工智能优化算法不需要知道问题的确切解法，而是从一组可能解中找到最优解。
然而，由于现实生活中问题往往存在着难以精确描述和量化的模糊不确定性，导致传统优化算法无法有效解决这些问题。
在解决这些问题中，模糊逻辑技术则能够有效提供帮助。
模糊逻辑技术不仅能够描述数据的模糊性，而且还能够根据数据的模糊性推导出模糊的判断和结论。
在优化过程中，模糊逻辑技术可以帮助定义问题的目标函数、约束条件以及优化参数等，通过模糊推理和模糊决策实现问题的优化。
二、基于模糊逻辑的人工智能优化算法研究目前，基于模糊逻辑的人工智能优化算法研究已经相当成熟。
其中，模糊聚类、模糊神经网络、模糊遗传算法、模糊粒子群优化算法等是比较常用的模糊逻辑算法。
1. 模糊聚类模糊聚类是将无标号样本集划分为若干个模糊类的方法，即用给定数量的模糊类别来代替原有的判别。
在模糊聚类中，用特征向量之间的距离来表示事物之间的相似性。
通过对相似度进行模糊化处理，可以得到一组比较模糊的类别划分。
模糊聚类可以有效地解决数据分类问题，特别是在面临一些复杂和模糊的分类问题时，其准确性和可解释性都具备很高的水平。
2. 模糊神经网络模糊神经网络是一种基于神经网络理论和模糊逻辑理论相结合的计算模型。
模糊神经网络不仅可以处理归纳、分类和决策等问题，而且可以用来构建对复杂系统的模拟与分析。
与经典神经网络不同，模糊神经网络具有模糊性质，即输入与输出之间存在着模糊映射关系。
模糊推理的全蕴涵三I算法的研究现状及进展
科 技 视 界
科技・ 探索・ 争鸣
模糊推理的全蕴涵三 Ｉ 算法的研究现状及进展
姜妍 丽 （ 东北 电力 大 学 理 学 院 ， 吉 林 吉林 １ ３ ２ ０ １ ２ ）
【 摘 要】 随着模糊 集的产 生与发展 ， 模糊推理 已经成 为 涵三 Ｉ 算法， 对其研
究现状及进展进行综述 ， 旨在 为模糊推理 算法的研 究提供 引导作 用。
【 关键词 】 模糊推理 ； 三Ｉ 算法 ； 研究现状 ； 进展
推理是人类智能的主要特征之一 ． 是实现人工智能 的一种重要技 术 随着模糊集的产生与发展 ． 模糊推理技术 已经 广泛 应用于智能系 统的许多领域 ， 如模糊控制系统 、 模糊专家系统 、 模糊神 经网络系统 以 及模 糊决策支持系统等等 １ ９ ７ ３年 ． Ｚ ａ ｄ ｅ ｈ首先给 出模糊 推理理论 中最基本 的规 则即模糊分 离 规则， 随后 Ｍ ａ ｍ ｄ ａ ｎ ｉ 等人 又将 其算法 化 ． 形 成如今广泛使用 的 Ｃ Ｒ Ｉ ｆ Ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ａ ｌ Ｒ ｕ ｌ ｅ ０ ｆ Ｉ ｎ ｆ ｅ ｒ ｅ ｎ ｃ ｅ １ 方法 Ｃ Ｒ Ｉ 方法侧重于直接应用 ． 算法 简便 易行 。 成为工业 生产领域使 用最为广 泛的模糊 推理方法 。然 而 ， 模糊 推理远较经典 逻辑学中的二值推 理复杂得多 李洪兴［ １ ＿ 指出基于 Ｃ ＲＩ 方法 的模糊系 统本质上是一种插值 器 ． 因此在研究模糊 系统的函 数逼 近问题 时， 不 可避 免地出现“ 规则爆 炸” 的现象 王国俊目 指出Ｃ Ｒ Ｉ 方法采用 了复合运算 。 带有 一定的随意 陛， 偏离了 语 义蕴涵的框架。 为了解 决 Ｃ Ｒ Ｉ 方法的不足 ． 王国俊［ ２ １ 从 逻辑语 义蕴 涵的角度 提出 了模糊 推理的全蕴涵三 Ｉ 算法 （ 简称 “ 三Ｉ 算法 ” ） 。 自三 Ｉ 算法 提出以 来． 许多学者 针对三 Ｉ 算法 进行 了广泛 的研究 ． 总的来说 主要从这 样 几个 方面 ： （ １ ） 采用不 同蕴涵 算子 的三 Ｉ 算法 ； （ ２ ） 三Ｉ 算法 的相关 理 论； （ ３ ） 三Ｉ 算法的改进算法 。本文将从这三个方面对三 Ｉ 算法 的研究 情况 加以总结 ． 分析三 Ｉ 算法 的研究现状 及进展 ． 旨在为模糊 推理 的 研究提供引导作用 法 的计算公式 。张森等【 一 日 研究 了基于正则蕴 涵算子 一 Ａ — 。 模 糊推理 的三 Ｉ 算法 的支持 度理论 ． 给出了 一 三Ｉ 算法 的计算公 式 王绍海旧 讨论 了基 于正则蕴涵算子的三 Ｉ 方法 的支持度理论 ２ ＿ ３ 还原性 、 连续性及响应能力 裴道 武口 ８ １ 研究 了全蕴涵三 Ｉ 算 法的计 算公 式及其还原性问题 李 骏 等㈣ 对模 糊推理 三 Ｉ 算法具备还 原性 的条 件进行 了研 究 罗 清君 等倒基于模糊推理 的全蕴涵三 Ｉ 算法 ． 给出 了三 Ｉ 算法的表达式。 曾水玲等口 】 对全蕴涵反向三 Ｉ 算法是否满足连续性 问题进行 了首 次研究 潘海玉等阎 系统地研究 了三 １ 支持度算 法和反 向三 １ 支 持度 算法 的连续性问题。徐蔚 鸿等【 全蕴涵三 Ｉ 算法 是否满 足连续性 和 逼近性问题进行了细致的研究 李龙等［ 论 了基 于三 Ｉ 算法 构成 的模糊系统 的响应 能力 ． 给出 泛三 Ｉ 算法公式和单输入单输 出模糊控 制器。 胡凯等闭以 Ｒ ， Ｒ 。 Ｒ 。 三 个蕴涵算子为 基础构造单输入 单输出模糊控制器 ． 并 分析其响应能 力
模糊推理系统在人工智能咨询中的应用分析
模糊推理系统在人工智能咨询中的应用分析人工智能（Artificial Intelligence，AI）的发展已经深入到各个领域，其中咨询服务领域也不例外。
模糊推理系统作为一种重要的人工智能技术，在人工智能咨询中发挥着重要作用。
本文将从模糊推理系统的基本原理、在人工智能咨询中的应用案例以及未来发展方向等方面进行深入分析。
一、模糊推理系统的基本原理模糊推理系统是一种基于模糊逻辑原理构建的推理系统。
与传统逻辑不同，传统逻辑只有真假两个取值，而模糊逻辑则引入了“可能性”的概念，使得取值可以是一个连续的区间。
在模糊推理系统中，输入数据经过隶属度函数进行隶属度计算，然后通过规则库进行规则匹配和融合，在经过去隶属度函数计算后得到最终输出结果。
二、模糊推理系统在人工智能咨询中的应用案例1. 模糊分类与预测在人工智能咨询中，对于一些复杂的问题，往往很难用传统的分类和预测方法进行准确的判断。
而模糊推理系统可以通过模糊分类和预测，对问题进行更准确的判断。
例如，在金融咨询中，可以通过模糊推理系统对股票市场进行预测，从而提供更准确的投资建议。
2. 模糊决策支持在人工智能咨询中，决策支持是一个重要的环节。
传统的决策支持方法往往需要建立复杂的数学模型和规则，而模糊推理系统则可以通过对问题进行隶属度计算和规则匹配，在不需要建立复杂数学模型和规则库的情况下提供有效的决策支持。
例如，在人力资源咨询中，可以通过模糊推理系统对候选人进行综合评价，并提供最佳人选。
3. 模糊风险评估在风险评估领域中，传统方法主要依赖于精确度高但计算量大、数据需求高等特点。
而在人工智能咨询中，由于数据不完备或者不精确等原因导致风险评估变得困难。
而模糊推理系统则可以通过对数据进行模糊化处理，从而提供更准确的风险评估结果。
例如，在保险咨询中，可以通过模糊推理系统对保险风险进行评估，并提供相应的保险建议。
三、模糊推理系统在人工智能咨询中的优势1. 灵活性模糊推理系统可以处理不确定性和不完备性的问题，对于一些复杂、模糊的问题具有较强的适应能力。
人工智能的模糊逻辑技术
人工智能的模糊逻辑技术人工智能（Artificial Intelligence）是计算机科学领域中的一个重要研究方向，致力于开发能够模拟人类智能的机器和软件系统。
在人工智能研究中，模糊逻辑技术（Fuzzy Logic）被广泛应用于处理模糊和不确定的信息。
模糊逻辑是一种基于模糊数学的推理方法，用于处理不精确和不完全的信息。
与传统逻辑相比，模糊逻辑能够更好地处理模糊和不确定的情况。
传统逻辑中的命题只有真和假两种取值，而模糊逻辑中的命题可以有一个介于0和1之间的模糊度。
通过引入模糊度的概念，模糊逻辑能够更好地处理现实世界中的不确定性和模糊性。
模糊逻辑的核心思想是模糊集合理论，它将模糊度应用于集合的定义和运算。
传统集合中的元素要么属于集合，要么不属于集合，而模糊集合中的元素可以有不同程度的隶属度。
模糊集合的隶属度可以用一个隶属函数来表示，这个隶属函数可以是一个连续的曲线，描述了元素与集合之间的关系。
在模糊逻辑中，采用模糊规则来推断输出结果。
模糊规则由若干个模糊前提和一个模糊结论组成。
模糊前提是由输入变量的模糊集合和相应的隶属函数描述的，而模糊结论是由输出变量的模糊集合和相应的隶属函数描述的。
推断的过程就是根据输入变量的隶属度和模糊规则的模糊度来计算输出变量的隶属度。
模糊逻辑在人工智能领域的应用非常广泛。
一方面，模糊逻辑能够模拟人类的推理过程，处理模糊和不确定的信息。
例如，在智能控制中，模糊逻辑可以用于建立模糊控制器，根据输入变量和模糊规则来推断输出变量的值，实现对复杂系统的自动控制。
另一方面，模糊逻辑还可以用于模糊分类和模糊聚类问题。
在模糊分类中，通过引入模糊度的概念，模糊逻辑能够更好地处理样本的不确定性和模糊性，提高分类的准确性和鲁棒性。
在模糊聚类中，模糊逻辑可以用于将数据对象划分到不同的模糊簇中，使得相似的对象聚集在一起。
除了在人工智能领域的应用，模糊逻辑还广泛应用于控制工程、模式识别、决策支持系统等领域。
模糊逻辑在人工智能中的应用
模糊逻辑在人工智能中的应用人工智能（Artificial Intelligence，AI）作为一门技术和科学领域，近年来引起了广泛的关注和研究。
它为我们创造了许多可能性，如智能语音助手、自动驾驶汽车以及智能家居等。
在这些智能系统中，模糊逻辑起到了重要的作用，帮助解决了传统逻辑无法很好处理的问题。
简单来说，模糊逻辑是基于模糊集合论的逻辑推理方法。
与传统二值逻辑只有真和假两个值不同，模糊逻辑允许命题的真值处于0和1之间的任何中间值。
这使得它能够处理人类的不确定性和模糊性信息，更接近于人类的思维方式。
在人工智能领域，模糊逻辑的应用非常广泛。
首先，它在智能控制系统中发挥了重要作用。
例如，在自动驾驶汽车中，模糊逻辑可以根据车辆的速度、距离等输入信息，推断出适当的制动力和转向角度，实现安全和有效的转弯、加速和减速。
传统的精确控制方法可能无法有效应对各种不确定的环境因素，而模糊逻辑可以通过模糊集合的交叉和推理，更好地适应复杂的驾驶场景。
其次，模糊逻辑在自然语言处理中也发挥了重要作用。
人类的语言往往模糊不清，充满了歧义和不确定性。
传统的自然语言处理技术可能无法很好地处理这些问题。
而模糊逻辑可以通过建立模糊语义和推理模型，将模糊的输入转化为明确的输出。
这对于智能语音助手的语音识别、机器翻译等任务具有重要意义。
模糊逻辑可以帮助机器更好地理解人类的语言，提高智能系统的交互和沟通能力。
此外，模糊逻辑还在数据挖掘和决策支持系统中发挥了重要作用。
在大数据时代，我们面临的数据量越来越庞大，其中包含了大量的噪声和不完整信息。
传统的数据分析方法往往无法很好地处理这些不确定数据。
而模糊逻辑可以通过模糊集合的模糊度来处理这些不确定信息，并基于这些信息做出推断和预测。
这对于金融风险评估、医疗诊断等决策问题具有重要意义，可以帮助我们更好地理解和利用大数据。
然而，模糊逻辑也存在一些问题和挑战。
首先，模糊逻辑需要大量的数据和先验知识来建立模糊集合和推理模型。
人工智能领域中的模糊逻辑推理算法
人工智能领域中的模糊逻辑推理算法人工智能（Artificial Intelligence，简称AI）是一门研究如何使计算机能够智能地表现出类似人类的思维和行为的科学。
在人工智能领域中，模糊逻辑推理算法是一种重要的方法，其可以有效地处理现实世界中存在的不确定性和模糊性问题。
本文将介绍人工智能领域中的模糊逻辑推理算法及其应用。
一、模糊逻辑推理算法概述模糊逻辑推理算法是基于模糊逻辑的推理方法，模糊逻辑是对传统的布尔逻辑的扩展，允许命题的真值在完全为真和完全为假之间存在连续的可能性。
模糊逻辑推理算法通过模糊化输入和输出，使用模糊规则进行推理，最终得到模糊结果。
模糊逻辑推理算法主要包括以下几个步骤：1. 模糊化：将输入的精确值转化为模糊化的值，反映出其模糊性和不确定性。
2. 模糊规则匹配：根据模糊规则库，匹配输入的模糊值和规则库中的规则。
3. 推理：根据匹配到的规则进行推理，得到模糊输出。
4. 解模糊化：将模糊输出转化为精确值，以便进行后续的处理和决策。
二、模糊逻辑推理算法的应用领域1. 专家系统专家系统是一种能够模拟人类专家的思维和行为的计算机程序。
在专家系统中，模糊逻辑推理算法可以用于处理专家知识中存在的模糊性和不确定性，帮助系统作出正确的决策和推理。
2. 模式识别模式识别是通过对事物特征进行抽象和分类，从而识别和理解事物的过程。
在模式识别中，模糊逻辑推理算法可以用于处理存在模糊性和不确定性的模式，提高模式识别的准确性和鲁棒性。
3. 数据挖掘数据挖掘是从大量的数据中发现潜在的、有效的信息，并进行模式的分析和提取的过程。
在数据挖掘中，模糊逻辑推理算法可以用于处理数据中存在的模糊性和不确定性，挖掘出更多有意义的信息。
4. 控制系统控制系统是指对某个对象或过程进行控制的系统。
在控制系统中，模糊逻辑推理算法可以用于处理控制对象的模糊输入和输出，实现对控制系统的智能化控制。
三、模糊逻辑推理算法的发展趋势随着人工智能领域的不断发展，模糊逻辑推理算法也在不断演化和完善。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊推理在人工智能技术中的研究现状摘要：本文主要模糊推理的基本概念，原理及其在人工智能领域的应用现状，并对模糊推理在模式识别，专家系统，机器人等领域中的应用并指出模糊推理技术是人工智能发展不可缺少的理论基础。
关键词：模糊推理，人工智能，研究现状。
引言：字Zadeh1965年提出模糊集合的概念，特别是1974年他又将模糊集引入推理领域开创了模糊推理技术以来，模糊推理就成为一种重要的近似推理方法。
并对人工智能的发展起了很重要的作用！
1 模糊推理的基本概念
推理是按照某种策略从已知事实出发去推出结论的过程。
智能系统的推理过程实际上可以看做是一种思维过程。
人的思维不想经典数学那样有精确性，而是具有不确定性，复杂性和模糊性。
经典的演绎逻辑和归纳逻辑都假定推理的前提是真的，确定性的。
但人和自动化系统中实际所用的信息常常具有不确定性。
人工智能发展了模糊推理来表示和处理不确定信息，他已模糊判断为前提，动用模糊语言规则，推导出一种近似的模糊判断结论。
模糊推理是模拟人的日常推理的一种近似推理，它是由L．A．zadeh首先提出的。
在逻辑推理中，命题一般称为判断。
所谓推理就是从一个或几个已知的判断(前提)出发推导出另一个新判断(结论)的思维形式。
例如：
如果X小，那么Y大。
X较小，Y？
解答之：令A,B分别表示“大”和“小”，将他们表示成论域U,V 上的模糊集，设论域U=V={1,2,3,4}
定义A=1/1+0.8/2+0.5/3+0/4+0/5；B=0/1+0/2+0.5/3+0.8/4+1/5。
由《人工智能技术导论》P177的理论可得到
R=0/(1,1)+ 0/(1,2)+…+0.5/(2,3)+…+1/(5,5)。
用这个式子可以表示：如果X小，那么Y大。
X较小可以用A*=(1,1,0.5,0.2,0)表示。
从而根据模糊关系合成（假设R=R1。
R2=r（ij）n*m 对R1的第i行和R2第j列对应元素取最小，在对k个结果取最大，所得结果就是R中第i行第j列处的元素）可以得到
B*=A*。
R=(0.5,0.5,0.5,0.8,1)
即B*=0.5/1+0.5/2+0.5/3+0.8/4+1/5
可以解释为：Y比较大。
因此就解决了提出的问题！
2．有关模糊推理的研究
2．1模糊推理的研究背景
模糊推理是模拟人的大脑日常推理方式的一种近似推理，它是蓬勃发展中的模糊控制技术的数学核心。
1973年．L．A．zadeh首次提出模糊推理的基本框架。
1974年，英国科学家E．H．M姗da面首次将模糊推理技术应用于工业自动控制，并取得成功。
20世纪80年代末，随着计算机技术的飞速发展，基于模糊推理的模糊控制技术
得到广泛应用，并取得巨大发展。
扎德等人提出的模糊集理论及其在此基础上发展起来的模糊逻辑把事物自身所具有的模糊性反映出来，使得对客观存在的模糊性进行了有效的处理。
同时，它也为模糊推理提供了理论支持。
2．2模糊推理的多种分类
根据模糊规则的条数和结构，常见的模糊推理可分为：(1)简单情形模糊推理，(2)多重模糊推理，(3)多维模糊推理，(4)链式模糊推理。
根据模糊推理所渗透的模糊系统，常见的模糊推理可分为：(1)应用于纯模糊系统的模糊推理。
(2)应用于模糊工业过程控制系统，以输入和输出都是精确值的模糊推理算法(或系统)。
(3)基于神经网络的模糊推理，如给予径向基函数网络的模糊推理。
(4)模糊专家系统的模糊推理，一般是链式模糊推理。
根据输入输出的结构，常见的模糊推理可分为：(1)输入输出都是模糊集合的模糊推理。
(2)输入输出都是精确值的模糊推理。
(3)输入是模糊集输出是精确值的模糊推理。
根据规则中的模糊集是普通模糊集还是区间值模糊集，模糊推理可分为：(1)普通模糊集上的模糊推理。
(2)区间值模糊集上的模糊推理。
3．模糊控制的主要研究领域
模糊控制技术的最大特点是适宜于各个领域。
最早取得应用成果的是1974年英国伦敦大学教授E．H．M，首先把模糊控制语句组的模糊控制器，应用于锅炉和汽轮船的运行控制，在实验室中获得成功。
1975年英国的和将模糊控制系统应用于工业反应过程的温度控制中。
1976年荷兰学者和将模糊控制器应用于热水装置中I 1977年丹麦学
者J．J．osterga“利用模糊控制器对2输入一2输出的热变换过程进行控制1983年日本学者和将一种基于语言真值推理的模糊逻辑控制器，应用于汽车速度自动控制，并取得成功。
此后，模糊控制在化工、机械、冶金、工业炉窑、水处理、食品生产等多个领域中得到实用。
模糊控制充分显示了在大规模系统、多目标系统、非线性系统以及无适应传感器可检测的系统中的良好应用效果。
我国模糊控制理论及其应用方面的研究工作是从1979年开始的，大多数是在高等院校核研究所中进行理论研究的，如对模糊控制的结构、模糊推理算法、自学习和自组织模糊控制器，以及模糊控制稳定性问题等的研究，而其成果应用主要集中在工业炉窑方面，如退火炉、电弧冶炼炉、水泥窑以及造纸机的控制。
4．结柬语
模糊推理实际上是把推理变成了计算，从而为不确定性推理开辟了一条新途径。
特别是这种模糊推理很适合于控制。
模糊推理是模糊控制的基础，而差值机理也是模糊推理的一个重要特征。
以模糊推理为基础的模糊推理系统等有关内容在计算机科学中的应用也是很广泛的，研究智能系统，无论是智能专家系统，还是智能系统等等，或多或少要涉及模糊理论。
另外模糊理论还可以与神经网络及遗传算法等进行结合研究，并可以广泛应用于计算机科学的很多方面的研究。
用模糊推理原理构造的控制器称为模糊控制器。
模糊控制器结构简单，可用硬件芯片实现，造价低，体积小，现已广泛应用于控制领域。
人工智能的核心课题就是问题的求解，模糊推理可以帮助我们求解复
杂的问题，提高问题求解的效率。
总之，模糊推理与人工智能的结合必将促进现代化人工智能技术的发展研究，从而成为人工智能领域不可缺少的理论基础！
参考文献
[1]徐蔚鸿，杨静宇．一种鲁棒性较强的新神经元模型及其在模糊推理中的应用D]．计算机应用，2002，22(10)：38—40．
[2]张智星，孙春在，水谷英二．神经一模糊和软计算[M]．西安，西安交通大学出版社，1996．
[3]人工智能技术导论廉师友。
——3版。
西安：西安电子科技大学出版社，2007，5（2009，7重印）：p173——p180.
[3].——模糊控制的主要研究领域。