人工智能技术与大数据

第7章　模糊系统

第6章对构建一个自然语言处理系统所需的理论与技术进行了概述。可以肯定的是，对能够通过自然语言与人类交流的机器的需求将会越来越大。为了能够对自然语言输入做出最合理与最可靠的解释和反应，系统需要有很大程度的模糊性。与用计算机构建的传统处理逻辑相比，人脑可以很容易地对输入做近似处理。例如，我们看到一个人，不用明确知道就可以大致推断这个人的年龄。比如，如果我们看到一个两岁的婴儿，从外表就可以推断出这个婴儿并不老，而且很年轻。人们可以很容易地处理输入中含糊不清的内容。在这种情况下，我们不需要知道婴儿的确切年龄就可以对其进行基本的判断。

这种程度的模糊性对构建智能机器是必不可少的。在真实的场景中，尽管模型（例如深度神经网络）需要准确的输入，但系统也不能完全依赖于精确的数值和定量的输入。上下文信息的不完整、特征的随机性和数据的缺失使得真实场景的许多特性被放大，不确定性更加常见。人类的推理能力足以处理现实世界中的这些特性。对于能够补充人类能力的智能机器来说，拥有同样程度的模糊处理能力至关重要。

本章将介绍模糊逻辑理论的基本原理，以及如何用它来构建以下内容：基于自适应网络的模糊推理系统、模糊C均值聚类以及模糊神经分类器。

本章将讨论以下主题：模糊逻辑基础、ANFIS网络、模糊C均值聚类以及模糊神经分类器。

7.1　模糊逻辑基础

先让我们快速了解一下，即使在人的表述中存在一定模糊性的情况下，人类的互动行为是如何无缝衔接的。像“John is tall”这样的说法并不能说明John的确切身高（以英寸^[1]或厘米为单位）。然而，相互交流的两个人可以从对话的语境中进行理解和推断。现在来看一段对话示例，这段对话发生在一所学校的两位老师之间，事关一个二年级的学生John。在这个语境中，“John ...