模糊邏輯系統 模糊規則模糊推理 控制難以建立精確模型而憑經驗可控制的系統 處理不確定信息，可利用專家經驗 難以學習，推理過程模糊性增加
如果把兩者相結合，就能各取其長，共生互補。從而進行人腦結構和功能的模擬——大腦神經網絡“硬件”拓撲結構 + 信息模糊推理“軟件”思維功能。
兩者結合的方式很多，常見的有：
① 以與、或運算代替神經網絡中的sigmoid函數；
② 神經網絡的權值是模糊量；
③ 神經網絡的輸入是模糊量；
④ 神經網絡的輸入和權值是模糊量；
⑤ 以上各種形式的復合。
四、 課題的構想：
一個產品的報價應該是一個企業在現有實際生產條件下的報價，應該是一個企業實際市場環境、實際生產能力、技術水平、生產經營管理現狀等的綜合體現。更重要的是其應該能反映本企業自身的特色（其往往是一個企業奈以生存和發展的基石）。而以往在實際生產中產生和積累的經驗數據資料往往是企業在一定條件下以上各種因素的綜合反映，有很強的代表性，因而如果指定合適的考核指標，提取有用的相關的數據作為樣本，便可以較好的反映該企業的特色，反映其結構化和非結構化的因素，為新產品的報價提供良好的依據。同樣，對新工件進行功能分解，大多數能在以往樣本中找到相似的功能單元，進行相似的方案和結構設計，因此利用以往實際工作中的典型數據為樣本，通過功能分解，結構比較，合理報出新產品的價格，在技術和原理上是可行的。
主要功能模塊說明：
1． 相似信息輸入
由于模糊神經網絡的輸入可以是語言信息，因此可用“相似”、“非常相似”、“不相似”等模糊信息來表達兩個產品間的相似信息。
2． 模糊神經網絡
在語言信息輸入后，利用其模糊推理規則，把其轉化為模糊神經網絡能接受的數據信息，進行加權運算，并在不符合精度要求時進行自學習調整，直到得到期望輸出為止，然后報出產品價格。
五、 本課題的難點和著眼點
本課題的難點和著眼點在于：
1． 如何找出合適的考核指標，捕捉新產品與樣本之間的有用信息。這是準確報價的基礎。
2． 如何設計模糊神經網絡，使其能正確處理語言信息，同時對差異進行自調整，直到得到期望輸出為止。
|
