模糊邏輯在協(xié)同作業(yè)機器人領域、汽車機器人、感知預測、供應鏈管理和焊接領域獲得了成功。
自動知識獲取
收集某一領域內(nèi)的知識以構建知識數(shù)據(jù)庫是非常復雜且耗時的，它往往是搭建專家系統(tǒng)的瓶頸所在。自動知識收集技術被開發(fā)出來以解決這一問題。這種學習程序通常要求采用多個案例作為學習的輸入。每一個案例都具有多種屬性參數(shù)，并按類型歸類。一種方法就是采用“分治策略”，根據(jù)某一策略對各種屬性進行篩選，將原有的案例集合劃分為子集合，然后歸納學習程序建立決策樹并將給定的案例集合正確分類。決策樹能夠表述從集合中的特定案例產(chǎn)生出什么知識。這一方法還可以后續(xù)應用于處理那些沒有被案例集合覆蓋的情況。
另一種方法被稱為“覆蓋法”，歸納學習程序的目標是找到一組被某一類型的案例所共同持有的屬性，并將這一共同屬性作為“如果”的部分，將類型做為“然后”的部分。程序?qū)⒓现蟹弦?guī)則的案例移除直至沒有共同屬性。
圖3所示為一個用于測試環(huán)境智能對提升能效的試驗系統(tǒng)。
還有一種使用邏輯程序代替命題邏輯的方法就是對案例進行描述然后表述全新的概念。這種方法使用了更加強大的預測邏輯來描述訓練案例和背景知識，然后表述全新概念。預測邏輯允許使用不同型式的訓練案例和背景知識，它允許歸納過程的結果(歸納概念)以帶有變量的一階子句的形式描述，而不僅限于由屬性-值對組成的零階命題子句。這種系統(tǒng)主要有兩種類型，第一種是由上自下的歸納/總結方法，第二種是反向解析原理。
已經(jīng)出現(xiàn)了不少的學習程序，例如ID3，它是一種分治策略程序;AQ程序采用了覆蓋法;FOIL程序是采用了歸納/總結方法的ILP系統(tǒng);GOLEM程序是采用反向解析方法的ILP系統(tǒng)。雖然大多數(shù)程序產(chǎn)生的都是明確的決策規(guī)則，但是也有一些算法能夠產(chǎn)生模糊規(guī)則。要求以嚴格的格式提供案例集合(明確的屬性和明確的分類)在傳感器系統(tǒng)和傳感器網(wǎng)絡中很容易滿足，因此自動學習技術在傳感器系統(tǒng)中應用頗為廣泛。這種類型的學習適合于那些屬性是以離散的或者符號的形式所表示，而并非適用于具有連續(xù)屬性值的傳感器系統(tǒng)案例。一些推斷學習應用的例子包括激光切割、礦石檢測和機器人應用。
圖4所示為一個虛擬系統(tǒng)流程圖，顯示了系統(tǒng)如何從圖像傳感器收集數(shù)據(jù)。視覺數(shù)據(jù)和CAD模型數(shù)據(jù)被搭配使用，用來確定對象列表，對象列表隨后被發(fā)送給焊接識別模塊，然后采用人工智能技術明確焊接要求。
神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡也可以從案例中提取領域知識，它們提取的領域知識并非以表征的方式描述，例如規(guī)則或者決策樹，而且它們可以同時應對連續(xù)數(shù)據(jù)和離散數(shù)據(jù)。它們也具有與模糊專家系統(tǒng)類似的不錯的歸納能力。神經(jīng)網(wǎng)絡是大腦的計算機模型，神經(jīng)網(wǎng)絡模型通常假設計算過程可以使用多個簡單的被稱為神經(jīng)元的單元所描述，神經(jīng)元可以相互連接并行作業(yè)。
最常見的神經(jīng)網(wǎng)絡是多層感知器，它是一種前饋網(wǎng)絡：所有信號以一種方向傳輸，從輸入到輸出。前饋網(wǎng)絡能夠在輸入空間和輸出空間進行靜態(tài)映射：在某一時刻的輸出僅與這一時刻的輸入構成函數(shù)關系。周期型網(wǎng)絡中，某些神經(jīng)元的輸出反饋會同一個神經(jīng)元或者反饋回之前層級的神經(jīng)元，可以認為具有動態(tài)內(nèi)存：這種網(wǎng)絡在某一時刻的輸出受當前輸入和之前輸入和輸出的影響。
不顯性表述的“知識”通過對神經(jīng)網(wǎng)絡進行訓練而內(nèi)置于神經(jīng)網(wǎng)絡內(nèi)。某些神經(jīng)網(wǎng)絡能夠使用預先定義的特定輸入模式進行訓練，進而產(chǎn)生預期的輸出模式。實際輸出和預期輸出之間的差異用來對神經(jīng)元之間連接的強度和權值進行修正。這種方法被稱為監(jiān)督訓練。在多層感知器中，監(jiān)督訓練的反向傳播算法通常用來傳播來自于輸出神經(jīng)元的誤差，然后計算出隱含層神經(jīng)元的修正權值。
人工神經(jīng)網(wǎng)絡通常具有輸入和輸出，在輸入和輸出之間的隱藏層完成處理任務。輸入是獨立的變量，而輸出是相互關聯(lián)的。人工神經(jīng)網(wǎng)絡是具有可配置內(nèi)部參數(shù)的靈活的數(shù)學方程。為了精確地展現(xiàn)復雜的關系，通過訓練算法來調(diào)整這些參數(shù)。在簡單訓練模式下，輸入案例和相應的預期輸出同時展現(xiàn)給網(wǎng)絡，通過盡可能多的案例進行重復進行自調(diào)整過程。一旦訓練結束，人工神經(jīng)網(wǎng)絡就能夠接受全新的輸入，預測正確的輸出。為了產(chǎn)生輸出，網(wǎng)絡只需要按方程計算即可。唯一的假設就是在輸入數(shù)據(jù)和輸出數(shù)據(jù)之間存在某種連續(xù)的函數(shù)關系。神經(jīng)網(wǎng)絡適用于映射設備、模式歸類或者模式補全(自動聯(lián)想內(nèi)容尋址內(nèi)存和模式關聯(lián)器)。