Эффективность аппарата нейросетей определяется их аппроксимирующей способностью, причем НС являются универсальными функциональными аппроксиматорами. С помощью НС можно выразить любую непрерывную функциональную зависимость на основе обучения НС, без предварительной аналитической работы по выявлению правил зависимости выхода от входа. Недостатком нейросетей является невозможность объяснить выходной результат, так как значения распределены по нейронам в виде коэффициентов весов. Основной трудностью в применении нечетких экспертных систем служит необходимость явно сформулировать правила проблемной области в форме продукции. В нечетких экспертных системах легко построить объяснение результата в форме протокола рассуждений, поэтому в настоящее время создаются гибридные технологии, сочетающие преимущества нечетких систем и нейронных сетей.
Примером гибридной технологии служит реализация системы нечетких правил на основе нейросети. База нечетких правил для двух входных и одной выходной переменных имеет следующую структуру:
|
|
Для реализации базы нечетких правил будем интерпретировать ее как таблицу определения некоторой функции, т. е. базу правил можно представить обучающей выборкой: {((,,)}. Например, {((малое, большое), около нуля)}.
В большинстве нечетких понятий, представленных лингвистическими переменными, их значения выражаются с помощью количественных нечетких множеств:
1) NB — отрицательное большое;
2) NM — отрицательное среднее;
3) NS — отрицательное малое;
4) ZE — около нуля;
5) PS — положительное малое;
6) РМ — положительное среднее;
7) РВ — положительное большое.