#e:0:4:5:2:b:6:4:c:b:a:3:6:7:4:9:b:9:e:1:b:1:a:f:8:4:8:0:d:6:e:8#
1、模糊神经网路的基本方式
模糊神经网路有如下三种方式：
1．逻辑模糊神经网路
2．算术模糊神经网路
3．混和模糊神经网路
模糊神经网路就是具有模糊权系数或则输入讯号是模糊量的神经网路。前面三种方式的模糊神经网路中所执行的运算方式不同。
模糊神经网路无论作为迫近器，还是模式储存器，都是须要学习和优化权系数的。学习算法是模糊神经网路优化权系数的关键。对于逻辑模糊神经网路，可采用基于偏差的学习算法，也即是监视学习算法。对于算术模糊神经网路，则有模糊BP算法，遗传算法等。对于混和模糊神经网路，目前尚未有合理的算法；不过，混和模糊神经网路通常是用于估算而不是用于学习的，它何必一定学习。
微软人工智能写作项目：小发猫
#6:7:5:6:1:7:1:d:3:d:c:4:7:b:f:b:d:b:f:9:0:f:6:9:a:9:5:2:1:a:6:6#
2、简单介绍人工神经网路和模糊神经网路
虽然百科介绍的很详尽，如“人工神经网路是模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高，对专家知识的借助也较少模糊神经网路和调度算法。但缺点是它不能处理和描述模糊信息，不能挺好借助已有的经验知识，非常是学习及问题的求解具有暗箱特性，其工作不具有可解释性，同时它对样本的要求较高;模糊系统相对于神经网路而言，具有推理过程容易理解、专家知识借助较好、对样本的要求较低等优点，但它同时又存在人工干预多、推理速率慢、精度较低等缺点，很难实现自适应学习的功能，但是怎样手动生成和调整隶属度函数和模糊规则，也是一个棘手的问题。”
即保证人工神经网路自身的学习能力下，采用模糊理论解决模糊讯号，使神经网路权系数为模糊权，或则输入为模糊量。
例如起初神经网路处理的是连续数据（double）不适宜求解模糊数据，此时就须要引入模糊理论，来构造适宜于求解这类模糊数据的神经网路。
3、模糊神经网路的介绍
模糊神经网路就是模糊理论同神经网路相结合的产物，它汇集了神经网路与模糊理论的优点，集学习、联想、识别、信息处理于一体。
4、神经网路算法的三大类分别是？
神经网路算法的三大类分别是：
1、前馈神经网路：
这是实际应用中最常见的神经网路类型。第一层是输入，最后一层是输出。假如有多个隐藏层，我们称之为“深度”神经网路。她们估算出一系列改变样本相像性的变换。各层神经元的活动是前一层活动的非线性函数。
2、循环网路：
循环网路在她们的联接图中定向了循环，这意味着你可以根据箭头回到你开始的地方。她们可以有复杂的动态，使其很难训练。她们更具有生物真实性。
循环网路的目的是拿来处理序列数据。在传统的神经网路模型中，是从输入层到蕴涵层再到输出层，层与层之间是全联接的，每层之间的节点是无联接的。并且这些普通的神经网路对于好多问题却无能无力。
循环神经网络，即一个序列当前的输出与后面的输出也有关。具体的表现方式为网路会对上面的信息进行记忆并应用于当前输出的估算中，即隐藏层之间的节点不再无联接而是有联接的，但是隐藏层的输入除了包括输入层的输出还包括上一时刻隐藏层的输出。
3、对称联接网路：
对称联接网路有点像循环网路，并且单元之间的联接是对称的（它们在两个方向上权重相同）。比起循环网路，对称联接网路更容易剖析。
这个网路中有更多的限制，由于它们遵循能量函数定理。没有隐藏单元的对称联接网路被称为“Hopfield网路”。有隐藏单元的对称联接的网路被称为玻尔兹曼机。
扩充资料：
应用及发展：
心理学家和认知科学家研究神经网路的目的在于探求人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，构建人类认知过程的微结构理论。
生物学、医学、脑科学专家企图通过神经网路的研究促使骨科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决上去有极大困难的大量问题，构造愈发迫近人脑功能的新一代计算机。
5、数
