explica modul n care au ajuns la o concluzie.

Pe de alt parte,
sistemele fuzzy
pot raiona cu informaii imprecise i i pot explica
raionamentul, dar nu pot
achiziiona automat regulile pe care le utilizeaz pentru luarea
deciziilor.
Aceste limitri au fost principalul motiv pentru care s-a ncercat
crearea de
sisteme inteligente hibride, n care dou sau mai multe tehnici
pot fi combinate
pentru a depi dezavantajele tehnicilor individuale.
Modelarea cu reguli fuzzy, de tip dac-atunci, este n general
potrivit pentru
modelarea calitativ. Totui, n multe situaii, datorit
incompletitudinii
cunoaterii, inerente unor situaii reale, aceast abordare se
dovedete
insuficient. De aceea se face apel la unele metode conexioniste,
cum ar fi
reelele neuronale. Sistemele neuro-fuzzy sunt astfel capabile s
nvee din
exemple, s generalizeze pe baza cunotinelor acumulate i, pe
baza datelor
primite, s sintetizeze cunotine n forma regulilor fuzzy.
Tabelul 1. Privire comparativ a avantajelor i dezavantajelor sistemelor
fuzzy i reelelor
neuronale.

n ultimii ani, sistemele hibride au suscitat un deosebit interes.

Aceast abordare
s-a dovedit ncununat de succes n diferite domenii, precum
diagnoza
echipamentelor industriale, robotica sau controlul proceselor
dinamice. Motivul
principal al studierii sistemelor neuronale hibride este crearea
de sisteme de
reprezentare sub-simbolic, n special a reelelor neuro-fuzzy.
Din punctul de
vedere al tiinelor cognitive, reprezentarea neuronal ofer
avantajul

omogenitii, a capacitii de nvare prin exemple i a

generalizrii, precum i
efectuarea de sarcini distribuite, n medii cu date incomplete sau
afectate de
zgomote. Din punctul de vedere al sistemelor bazate pe
cunotine,