關(guān)鍵詞： 智能混合系統(tǒng) 自然智能 神經(jīng)網(wǎng)絡(luò) 專家系統(tǒng) 模糊邏輯
人工智能的核心任務(wù)是模擬自然智能,。而自然智能表現(xiàn)在不同的層次和不同的方面，因此仿智的方法有多種,，如模擬抽象思維層次的符號(hào)主義,，模擬形象思維層次的聯(lián)接主義，模擬智能行為層次的行為主義等,。雖然各種智能信息處理方法與概念都已提出,，并取得不少成果，但相關(guān)的研究工作還處在較低的水平,，在單獨(dú)模擬人類智能活動(dòng)時(shí),，尚存在各種局限性。生物物理,、心理認(rèn)知學(xué)的研究表明,，智能信息處理能力是包括上述各種智能處理能力的綜合集成?？梢韵嘈?，今后智能本質(zhì)和智能綜合集成方面的系統(tǒng)研究將是非常重要的研究領(lǐng)域。
盡管自然智能覆蓋面廣,，但人是萬物之靈,，應(yīng)將對(duì)人的智能的研究作為重點(diǎn)，并輔以對(duì)其他自然智能的研究,，從而最終解開智能的奧秘,。同時(shí)，在研究智能綜合集成方面,，由于抽象思維和形象思維是人類最主要的二種思維形式,，并且符號(hào)主義和聯(lián)接主義學(xué)派的方法和理論較為充實(shí)，因此,，應(yīng)重點(diǎn)進(jìn)行上述二者的集成研究,，然后將其原理和方法推廣到其他廣義人工智能的綜合集成中。
1 四類典型的智能混合系統(tǒng)
智能混合系統(tǒng)主要涉及專家系統(tǒng)(Expert System,，ES),、神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和模糊邏輯（Fuzzy Logic,，F(xiàn)L）三種技術(shù),。神經(jīng)網(wǎng)絡(luò)易于表達(dá)感性知識(shí)，專家系統(tǒng)易于表達(dá)理性知識(shí),，而理性知識(shí)中又含有大量的模糊知識(shí),，因此需要使用模糊邏輯來描述,。于是，不同技術(shù)的組合,，便構(gòu)成了不同類型的智能混合系統(tǒng),，主要有四種(如圖1所示)。
1.1 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合
神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)主要有三種結(jié)合方式,，下面分別予以介紹,。
(1)基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)
這類系統(tǒng)又稱聯(lián)接專家系統(tǒng)，其全部或部分功能由神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),，實(shí)現(xiàn)方式有兩種,。
①從神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則構(gòu)造專家系統(tǒng)
這種方式希望將神經(jīng)網(wǎng)絡(luò)的隱式“黑箱”知識(shí)表示為顯式規(guī)則形式，并用于推理或解釋神經(jīng)網(wǎng)絡(luò)的行為,。在訓(xùn)練前不需要了解領(lǐng)域知識(shí)的結(jié)構(gòu),，也不需要將領(lǐng)域知識(shí)的結(jié)構(gòu)強(qiáng)加于神經(jīng)網(wǎng)絡(luò)，關(guān)鍵是通過神經(jīng)網(wǎng)絡(luò)的自組織,、自學(xué)習(xí)來獲得易于人類認(rèn)識(shí),、理解的領(lǐng)域知識(shí)。
?、谝?guī)則知識(shí)編碼于神經(jīng)網(wǎng)絡(luò)系統(tǒng)
這種方式比較簡單,，實(shí)質(zhì)是利用神經(jīng)網(wǎng)絡(luò)將己有的領(lǐng)域知識(shí)進(jìn)行優(yōu)化求精，所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在形式上直接對(duì)應(yīng)于專家系統(tǒng)的推理網(wǎng)絡(luò),，可以直接用于推理和解釋神經(jīng)網(wǎng)絡(luò)的結(jié)論和行為,。
上述兩種方法的區(qū)別在于：前者在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前無需將領(lǐng)域知識(shí)的結(jié)構(gòu)強(qiáng)加于神經(jīng)網(wǎng)絡(luò)，所學(xué)得的神經(jīng)網(wǎng)絡(luò)難以進(jìn)行自我解釋,，神經(jīng)網(wǎng)絡(luò)中的知識(shí)只有抽取出來并表示為規(guī)則知識(shí)后才成為易于理解的顯式知識(shí),；后者在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前需要將領(lǐng)域知識(shí)的結(jié)構(gòu)編碼于神經(jīng)網(wǎng)絡(luò)中，所學(xué)得的神經(jīng)網(wǎng)絡(luò)己將知識(shí)進(jìn)行了顯式表示,，因而具有自我解釋能力,。
很多學(xué)者進(jìn)行了這方面的研究和開發(fā)工作。Gallant[1]首次提出并建立了聯(lián)接專家系統(tǒng),，Caudill[2]提出了建立額外的小型規(guī)則系統(tǒng)用于解釋神經(jīng)網(wǎng)絡(luò)行為的方法等,。
這類混合系統(tǒng)優(yōu)勢(shì)在于自學(xué)習(xí)和自適應(yīng)能力，可以有效克服專家系統(tǒng)在知識(shí)獲取方面所遇到的困難,，開發(fā)時(shí)間較短；缺點(diǎn)在于對(duì)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),、非線性活動(dòng)函數(shù)及各種參數(shù)的選擇缺乏系統(tǒng)的指導(dǎo)原則,，應(yīng)用領(lǐng)域較窄，其解釋能力方面也有待進(jìn)一步研究,。
(2)基于知識(shí)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)
這類系統(tǒng)也稱為專家網(wǎng)絡(luò),，是由專家系統(tǒng)作為神經(jīng)模塊構(gòu)成的事件驅(qū)動(dòng)網(wǎng)絡(luò),。在該系統(tǒng)中，神經(jīng)元包括“與”,、“或”,、“非”等邏輯神經(jīng)元和前提、結(jié)論神經(jīng)元,，它們之間的聯(lián)接權(quán)代表專家系統(tǒng)中的確定性因子,，故可將專家系統(tǒng)規(guī)則集表達(dá)為專家網(wǎng)絡(luò)。
這方面的研究成果主要有：Kuncicky[3]提出的專家網(wǎng)絡(luò),，Towell[4]提出的一種基于知識(shí)的人工神經(jīng)網(wǎng)絡(luò),。可以看出,，專家網(wǎng)絡(luò)的缺點(diǎn)是學(xué)習(xí)時(shí)只改變權(quán)值,，而不能改變網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，因而不能向不完全的初始規(guī)則集增加新的符號(hào)規(guī)則,。為了使專家系統(tǒng)具備學(xué)習(xí)能力,，以期根本解決知識(shí)獲取的瓶頸問題，對(duì)專家系統(tǒng)進(jìn)行合理描述并且開發(fā)有效的學(xué)習(xí)算法將是十分重要的研究方向,。
(3)基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)
這類系統(tǒng)的基本出發(fā)點(diǎn)是將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng),，分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)，研究的主要問題包括混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面的問題,。這兩個(gè)問題的研究相輔相成,，不可分割?；旌戏绞接袃煞N：①從應(yīng)用的角度出發(fā),，對(duì)易于獲取其產(chǎn)生式規(guī)則的子系統(tǒng)使用專家系統(tǒng)技術(shù)，其余的功能由神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn),，此時(shí)系統(tǒng)的結(jié)構(gòu)由實(shí)際問題來決定,。②從功能的角度出發(fā)，可以用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)專家系統(tǒng)的規(guī)則推理,、知識(shí)獲取等功能,，專家系統(tǒng)則負(fù)責(zé)知識(shí)的顯式表示和神經(jīng)網(wǎng)絡(luò)結(jié)論的驗(yàn)證和解釋工作。
基于此,，Suddarth[5]提出將復(fù)雜系統(tǒng)分解為功能子系統(tǒng)的混合系統(tǒng)結(jié)構(gòu),，Tirri[6]則另辟蹊徑，用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)專家系統(tǒng)規(guī)則集前提條件,。
雖然神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合兼有二者之長,，但同時(shí)也帶來了單一技術(shù)不曾遇到的問題：①神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的信息交互問題；②學(xué)習(xí)過程所引發(fā)的系統(tǒng)可信度問題。前者的解決依賴于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)知識(shí)表示的轉(zhuǎn)換機(jī)制或同時(shí)適合兩者的公共知識(shí)表示體系,，后者的解決有賴于不同體制下的知識(shí)的公共表示和統(tǒng)一的參數(shù)學(xué)習(xí)機(jī)制,。顯然，解決上述兩個(gè)問題己成為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的當(dāng)務(wù)之急,。
1.2 模糊神經(jīng)網(wǎng)絡(luò)
模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network,，F(xiàn)NN）是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物。它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點(diǎn),，集學(xué)習(xí),、聯(lián)想、識(shí)別,、自適應(yīng)及模糊信息處理于一體,。近年來，F(xiàn)NN的理論及應(yīng)用得到了飛速發(fā)展,，各種新的FNN模型的提出以及與其相適應(yīng)的學(xué)習(xí)算法的研究不僅加速了 FNN理論的完善,，而且它們?cè)趯?shí)際中得到了非常廣泛的應(yīng)用。本文以此為基礎(chǔ),，進(jìn)一步討論完整意義上的FNN的網(wǎng)絡(luò)模型,、學(xué)習(xí)算法、模糊函數(shù)逼近性能和學(xué)習(xí)能力等關(guān)鍵問題,，并對(duì)今后的研究提出自己的看法,。
(1)FNN模型和算法
目前FNN模型絕大多數(shù)都是多層前向網(wǎng)絡(luò)結(jié)構(gòu)，主要區(qū)別在于隸屬度函數(shù),、模糊加權(quán)算子,、模糊激勵(lì)函數(shù)和輸入輸出的形式，以及結(jié)構(gòu)與參數(shù)的設(shè)定和調(diào)整方法,。
FNN可以分為單純型和混合型兩種：①單純型FNN：輸入輸出和連接權(quán)全部或部分采用模糊實(shí)數(shù),，計(jì)算結(jié)點(diǎn)輸出的權(quán)相加采用模糊算術(shù)算子，函數(shù)計(jì)算采用擴(kuò)展原理,；②混合型FNN：輸入輸出和連接權(quán)全部或部分采用模糊實(shí)數(shù),，計(jì)算結(jié)點(diǎn)輸出的權(quán)相加還采用了除模糊算術(shù)算子以外的模糊邏輯算子，函數(shù)計(jì)算采用擴(kuò)展原理,。這兩種模型既可以處理模糊信息,，也可以處理非模糊信息，因?yàn)槠胀▽?shí)數(shù)可以作為一種特殊的模糊數(shù),。
這方面成果很多,，重要的有：Chen[7]針對(duì)基于模糊訓(xùn)練樣本的模式分類問題提出了多類FNN分類器，模糊自適應(yīng)諧振理論(ART)[8]成功解決了模糊信息的存儲(chǔ)和記憶問題,。除此之外,，還有不少文獻(xiàn)也都提出了各種各樣的FNN模型和算法,，不再贅述。
(2)FNN的函數(shù)逼近問題
已經(jīng)證明普通多層前向NN和模糊系統(tǒng)(輸入輸出均為非模糊數(shù))是連續(xù)函數(shù)逼近器,，并且系統(tǒng)之間可以等價(jià)互換，這為在輸入輸出非模糊的環(huán)境下設(shè)計(jì)模糊神經(jīng)網(wǎng)絡(luò)混合系統(tǒng)提供了扎實(shí)的理論基礎(chǔ),。雖然模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近問題取得了許多理論成果,，但是己有結(jié)果僅僅是針對(duì)采用單值模糊產(chǎn)生器的模糊系統(tǒng)得到的，對(duì)于輸入輸出均為模糊數(shù)的FNN函數(shù)逼近問題的研究相對(duì)比較薄弱,，而在設(shè)計(jì)FNN的同時(shí)論證設(shè)計(jì)模型的逼近性能有時(shí)非常必要,。因此，F(xiàn)NN函數(shù)逼近問題的研究重點(diǎn)是：①尋找能夠作為連續(xù)模糊函數(shù)逼近器的FNN,；②給出通用的作為連續(xù)模糊函數(shù)逼近器的FNN的構(gòu)造型定理,。
在這方面Buckley[9]做了開創(chuàng)性的工作，定義了模糊函數(shù),、連續(xù)模糊函數(shù)和連續(xù)模糊函數(shù)逼近器等概念,，并且證明如果FNN模型是單純型，則它不可能是一個(gè)連續(xù)模糊函數(shù)逼近器,；如果FNN模型是混合型,，則它可能是一個(gè)連續(xù)模糊函數(shù)逼近器。但是,，這不是一個(gè)構(gòu)造型定理,，它沒有給出設(shè)計(jì)連續(xù)模糊函數(shù)逼近器的FNN的方法。Feuring[10]在研究FNN的構(gòu)造方面做出了突出貢獻(xiàn),，給出了一種連續(xù)模糊函數(shù)逼近器的FNN的構(gòu)造方法,。這些結(jié)果對(duì)實(shí)際系統(tǒng)設(shè)計(jì)中模糊函數(shù)的選取具有指導(dǎo)性的意義。
(3)關(guān)于FNN的學(xué)習(xí)能力
FNN的學(xué)習(xí)包括兩個(gè)方面：一是有效的學(xué)習(xí)算法,，二是學(xué)習(xí)的精度和普適性,。通常，由于模糊運(yùn)算的復(fù)雜性和一些算子的不連續(xù)性,，在多層前向NN中常用的BP算法和其他一些優(yōu)化算法不能直接用于多層前向FNN,，而修改后的Fuzzy BP規(guī)則解決了此問題。為簡化學(xué)習(xí)算法,，F(xiàn)NN的許多學(xué)習(xí)算法都采用經(jīng)驗(yàn)學(xué)習(xí)公式或規(guī)則,，盡管缺乏完備的理論，但效果顯著,。
FNN的學(xué)習(xí)精度和函數(shù)逼近性能密切相關(guān),。盡管訓(xùn)練樣本有限，但只要網(wǎng)絡(luò)足夠大,，學(xué)習(xí)算法有效,，達(dá)到高精度的學(xué)習(xí)目標(biāo)并非難事,。然而訓(xùn)練樣本的有限性導(dǎo)致學(xué)習(xí)結(jié)果的普適性變差已成為學(xué)習(xí)的主要矛盾。目前關(guān)于FNN系統(tǒng)的普適性問題成果很少,，因此,，如何將非模糊學(xué)習(xí)機(jī)的普適性分析方法推廣到模糊學(xué)習(xí)機(jī)，成為FNN學(xué)習(xí)問題研究的關(guān)鍵,。
盡管這幾年FNN成果不菲,，但仍然存在如下問題：
①FNN模型的研究主要是NN的模糊化和FS的神經(jīng)網(wǎng)絡(luò)化,，很少從人腦對(duì)模糊信息的處理機(jī)制上考慮問題,。應(yīng)從智能問題本身創(chuàng)造性地設(shè)計(jì)FNN模型，體現(xiàn)新的解決智能問題的思想,。②FNN的數(shù)值計(jì)算導(dǎo)致嚴(yán)重的計(jì)算量問題,。因此，有必要建立語言層次上的計(jì)算理論,。③反饋FNN可以有效地解決成組,、約束和動(dòng)態(tài)學(xué)習(xí)以及空間關(guān)系學(xué)習(xí)等許多單項(xiàng)FNN很難解決的問題。因此,，要加強(qiáng)反饋FNN的研究,。
1.3 模糊專家系統(tǒng)
專家系統(tǒng)中模糊性的一個(gè)最主要表現(xiàn)就是模糊概念的存在。很好地表達(dá)模糊概念并不等于問題的根本解決,，還要解決其使用問題,。也就是在這樣的專家系統(tǒng)中如何進(jìn)行推理。這方面的成果不多,，僅集中在專家系統(tǒng)中模糊概念的表達(dá)與推理方法的研究上,。
1.4 模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)
專家系統(tǒng)的知識(shí)獲取及經(jīng)驗(yàn)性知識(shí)處理需要融合神經(jīng)網(wǎng)絡(luò)的高質(zhì)量、高效率的學(xué)習(xí)能力與模糊邏輯出色的對(duì)于不完善知識(shí)的描述能力,。發(fā)揮各自優(yōu)勢(shì),，能明顯提高專家系統(tǒng)的性能。
(1)知識(shí)表示問題
在實(shí)際問題中含有大量的模糊知識(shí),，僅用傳統(tǒng)的知識(shí)表示方法是不夠的,。因此，模糊規(guī)則和隸屬函數(shù)的引入成為必然,。
(2)信念傳播問題
推理期間可能有多條相同結(jié)論的規(guī)則同時(shí)滿足條件,，在傳統(tǒng)的專家系統(tǒng)中，總是采用最大優(yōu)先級(jí)規(guī)則,，誤差較大,。為了解決這個(gè)問題，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行推理,，結(jié)論的可信度是各條規(guī)則結(jié)論可信度的組合,，權(quán)系數(shù)是通過訓(xùn)練網(wǎng)絡(luò)得到的,。
(3)更有效的推理
由于推理是通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的，減少了規(guī)則匹配過程,，從而加快了推理速度,。
(4)學(xué)習(xí)問題
利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力可容易地求精模糊規(guī)則，從而提高系統(tǒng)的適應(yīng)能力,。
Zha[11]提出了一種神經(jīng)模糊專家Petri網(wǎng)模型,，Li[12]開發(fā)了一個(gè)混合智能系統(tǒng)，還有不少文獻(xiàn)在這方面也作了相應(yīng)的研究工作,。
綜上所述，以神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合,、模糊神經(jīng)網(wǎng)絡(luò),、模糊專家系統(tǒng)以及模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)四種類型為主的智能混合系統(tǒng)成果頗多，代表了目前智能混合系統(tǒng)發(fā)展的主流方向,。所涉及的技術(shù)主要有專家系統(tǒng),、神經(jīng)網(wǎng)絡(luò)和模糊理論三種。但是智能混合系統(tǒng)絕不僅限于此,，還有許多智能技術(shù),，如粗糙集、遺傳算法,、Petri網(wǎng)等也成為智能混合系統(tǒng)集成技術(shù)的研究熱點(diǎn),，不少文獻(xiàn)在這方面做出了突出的貢獻(xiàn)。
2 成果總結(jié)及進(jìn)一步的研究方向
目前,，智能混合系統(tǒng)己經(jīng)取得了許多成果,，在眾多領(lǐng)域中得到了相當(dāng)成功的應(yīng)用，解決了許多單一智能系統(tǒng)不能解決的復(fù)雜問題,，并且正在向著更深的研究層次挺進(jìn),。這些成果集中表現(xiàn)在以下方面。
(1)利用神經(jīng)網(wǎng)絡(luò)優(yōu)良的自組織,、自學(xué)習(xí)和自適應(yīng)能力初步解決了專家系統(tǒng)知識(shí)獲取的“瓶頸問題”,。
(2)利用專家系統(tǒng)良好的解釋機(jī)能較好地解釋了神經(jīng)網(wǎng)絡(luò)的行為，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)中知識(shí)表達(dá)的“黑箱結(jié)構(gòu)”,。
(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)混合的系統(tǒng)通過融合模糊邏輯進(jìn)行知識(shí)描述與推理,，明顯地改善了專家系統(tǒng)的性能。
盡管智能混合系統(tǒng)的研究取得了許多矚目的成果,，但其理論體系還很不完善,，需從以下幾個(gè)方面進(jìn)一步深入研究。
(1)立足于廣義人工智能,，以模擬自然智能為目的,，從思維科學(xué)的角度出發(fā),，研究人類認(rèn)知過程中抽象思維與形象思維在功能、知識(shí)表達(dá),、思維活動(dòng)等方面的內(nèi)在關(guān)系,。
(2)智能混合系統(tǒng)需要統(tǒng)一的知識(shí)表示方法，需要研究接近于人類思維模式的知識(shí)表示機(jī)理,。
(3)利用神經(jīng)網(wǎng)絡(luò)有效地進(jìn)行知識(shí)獲取,。
(4)研究實(shí)用的神經(jīng)網(wǎng)絡(luò)推理及結(jié)果解釋方法。
(5)將已取得的智能混合系統(tǒng)研究成果向其他智能形式的綜合集成中推廣,，從而進(jìn)行更廣泛的智能系統(tǒng)集成方法研究,。
3 結(jié) 論
智能混合系統(tǒng)研究應(yīng)從人類智能行為本質(zhì)入手，著眼于知識(shí)在人腦中表示,、存儲(chǔ)及實(shí)現(xiàn)各種人類思維方式的生理基礎(chǔ),。隨著對(duì)人類生物神經(jīng)系統(tǒng)、思維模式的進(jìn)一步認(rèn)識(shí),，研究各種新的集成系統(tǒng)模型,，實(shí)現(xiàn)大腦思維過程的模擬，進(jìn)而實(shí)現(xiàn)整個(gè)自然智能的模擬,，從而最終揭開智能的奧秘,。
參考文獻(xiàn)
1 Gallant I S.Connectionist expert systems.Communication of the ACM，1988,；31(2)：152
2 Caudill M.Using neural nets：Hybrid expert networks.AI Expert,，1990；5(11)：49
3 Kuncicky D C,，Hruska S I,，Lacher R C.Hybrid systems：the equivalence of rule-based expert systems and artificial neural network inference.Int.J.of Expert Systems，1991,；4(3)：281
4 Towell G G,，Shavlik J W，Noordewier M O.Refinement of approximate domain theories by knowledge-based neural networks.In：Proc.AAAI-90,，August,，1990：861
5 Suddarth S C，Holden A D C.Symbolic-neural systems and the use of hints for developing comples systems.Int.J. Pattern Recognition,，1991,；5(4)：503
6 Tirri H.Implementation expert system rule conditions by neural networks.New Generation Comput.，1991,；10：55
7 Chen K H.A multiclass neural network classifier with fuzzy teaching inputs.Fuzzy Sets and Systems,，1997；91：15
8 Carpenter G A,，Grossberg A,，Rosen D B.Fuzzy ART fast stable learning and categorization of analog patterns by an adaptive resonance systems.Neural Networks,，1991；4：759
9 Buckley J J,，Hayashi Y.Fuzzy neural networks：a survey. Fuzzy Sets and Systems,，1994；66：1
10 Feuring T,，Lippe W.The fuzzy neural network approximation lemma.Fuzzy Sets and Systems,，1999；102：227