机构名称：
¥ 1.0
开发的高速模糊推理机器学习设备的主要目的是促进系统学习功能并改善计算性能。这是通过将训练单元的反馈添加到Defuzzification单元来实现的，该单元允许训练模糊逻辑设备[7]，[8]。还排除了Defuzzification单元中的某些操作，这将归化过程的计算性能时间降低至180 ns。基于区域比率方法的单层解体机的高速模糊逻辑推理机器学习设备的结果是，在模糊逻辑系统的输出下，输入数据将输入数据的生成和转换为单个指定的CRISP值。这种类型的设备可用于图像分类或热电偶控制任务[9]，[10]。此外，开发了基于面积比方法的神经模糊学习的本体论模型：
基于单层区域比率defuzzifier
主要关键词
相关文件推荐
