‘壹’ 智能计算—模糊计算总结
智能计算领域中的模糊计算，以模糊集理论为核心，模拟人类大脑在处理非精确、非线性信息时的能力。模糊计算通过模糊推理（FIS）、模糊逻辑、模糊系统等方法，应用于多种场景，提供了一种处理复杂问题的有效途径。
模糊计算的流程包括模糊规则库、模糊化、推理方法和去模糊化四个关键模块。首先，从具体输入中得到对模糊集的隶属度，这一过程称为模糊化。接着，利用模糊规则进行推理以得出结论，不同问题可能采用不同的推理方法。最后，综合推理结果，从模糊隶属度中得到实际输出值，这一过程称为去模糊化。
模糊逻辑和模糊集合理论，是模糊计算的基础。模糊逻辑以隶属度表示概念的“部分真”，模糊集合则用隶属度函数来描述模糊性。模糊逻辑理论允许命题存在真值的过渡状态，模糊集合理论则通过隶属度函数提供了对模糊概念的定量描述。
模糊识别涉及确定模糊集的贴近度，例如利用海明贴近度、欧几里得贴近度或黎曼贴近度等方法来量化模糊集之间的接近程度。模糊关系则通过模糊集之间的关联来实现模糊聚类，分为模糊相似和模糊等价关系，进而实现数据的分类。
模糊推理是模糊计算的核心，通过从模糊命题中推出新的模糊命题作为结论，实现近似推理。模糊推理过程包括模糊语言变量、语言算子、模糊命题与条件语句的表达，以及关系合成推理法（CRI）等方法。
模糊控制是将人类控制策略转变为算法的一种技术，尤其适用于非线性、时变、滞后等复杂系统。模糊控制利用模糊逻辑和语言变量，实现对控制对象的有效控制，其鲁棒性强大。
模糊计算在复杂且没有完整数学模型的非线性问题上表现优异，能够利用经验规则解决未知模型问题。此外，模糊计算与其它智能算法结合，提供互补优势，将人类在识别、决策等方面的模糊性引入机器及其控制。