本教程为PyTorch官方提供的中文指南，专注于模糊神经网络的构建与应用，适合希望结合模糊逻辑与深度学习进行研究和开发的技术人员。
图8.10展示了修正矢量的隶属函数。通过质心或模糊重心的方法可以对修正向量Ck的激励值以及推理过程中的规则后件模糊集合进行解模糊计算。为了改善模糊跟踪器的表现，可以通过在x方向解模糊环节中乘以增益变量T来优化其性能（见图8.11）。当适当选择增益参数（例如 1,1,1 === TTT）时，可以使平均小均方根误差从5降低到接近于1。
图8.11展示了通过在输入输出位置引入增益变量以提升模糊跟踪器性能的方法。
自适应模糊神经网络能够在每一时刻利用样本数据和神经网络算法定义一个模糊系统。在这种结构中，连接权重和/或输入信号可以是模糊集，从而实现以下几种情况：
- 非模糊的输入信号但具有模糊的连接权；
- 模糊的输入信号但是非模糊的连接权；
- 同时具备模糊的输入信号及模糊的连接权。
图8.2提供了一个第一类模糊神经网络的例子。这种类型的网络是由Yamakawa等人开发的一种称为“模糊神经元”的模型（参考文献[15，16]）。每个这样的神经元包括非模糊输入信号ix（其中 1=i,...,m）和固定的若干个模糊集iku （其中 1=k,...,n），这些集合用于调整非模糊的权重ikw。这种类型的网络使用启发式学习算法来更新其权值，该算法类似于BP算法的工作方式，并且在每个模糊集中都附加了一个约束条件：对于某个特定xi而言，只有相邻的数值可以是非零值。
例如，在图8.12中如果)( iik xu 和)(1, iki xu+为非零，则...
5星
