模糊逻辑系统 模糊规则模糊推理 控制难以建立精确模型而凭经验可控制的系统 处理不确定信息，可利用专家经验 难以学习，推理过程模糊性增加
如果把两者相结合，就能各取其长，共生互补。从而进行人脑结构和功能的模拟——大脑神经网络“硬件”拓扑结构 + 信息模糊推理“软件”思维功能。
两者结合的方式很多，常见的有：
① 以与、或运算代替神经网络中的sigmoid函数；
② 神经网络的权值是模糊量；
③ 神经网络的输入是模糊量；
④ 神经网络的输入和权值是模糊量；
⑤ 以上各种形式的复合。
四、 课题的构想：
一个产品的报价应该是一个企业在现有实际生产条件下的报价，应该是一个企业实际市场环境、实际生产能力、技术水平、生产经营管理现状等的综合体现。更重要的是其应该能反映本企业自身的特色（其往往是一个企业奈以生存和发展的基石）。而以往在实际生产中产生和积累的经验数据资料往往是企业在一定条件下以上各种因素的综合反映，有很强的代表性，因而如果指定合适的考核指标，提取有用的相关的数据作为样本，便可以较好的反映该企业的特色，反映其结构化和非结构化的因素，为新产品的报价提供良好的依据。同样，对新工件进行功能分解，大多数能在以往样本中找到相似的功能单元，进行相似的方案和结构设计，因此利用以往实际工作中的典型数据为样本，通过功能分解，结构比较，合理报出新产品的价格，在技术和原理上是可行的。
主要功能模块说明：
1． 相似信息输入
由于模糊神经网络的输入可以是语言信息，因此可用“相似”、“非常相似”、“不相似”等模糊信息来表达两个产品间的相似信息。
2． 模糊神经网络
在语言信息输入后，利用其模糊推理规则，把其转化为模糊神经网络能接受的数据信息，进行加权运算，并在不符合精度要求时进行自学习调整，直到得到期望输出为止，然后报出产品价格。
五、 本课题的难点和着眼点
本课题的难点和着眼点在于：
1． 如何找出合适的考核指标，捕捉新产品与样本之间的有用信息。这是准确报价的基础。
2． 如何设计模糊神经网络，使其能正确处理语言信息，同时对差异进行自调整，直到得到期望输出为止。
|
