如何确定我们的模糊系统中需要多少规则和模糊集？是通过增加规则和模糊集，系统会更好吗？我们如何确定实际需要多少规则和模糊集才能获得更好的结果？感谢
在特定应用程序中，有许多不同的方法可以确定在哪里需要对模糊性建模。要记住的首要原则是：1)寻找在连续范围内处理有序或名义数据有益的地方，即使是以不精确为代价；2)"模糊"应该自然存在于你试图解决的数据或问题中；它并不是为了让应用程序变得更好而添加的秘密成分，正如狂热爱好者有时暗示的那样。只有当你能够证明增加的计算/数据收集/其他成本具有更高的准确性或其他实际用途时，才添加模糊规则和集合。
考虑到这些原则，以下是一些检测模糊规则和集合可能有用的地方的方法：
•首选是自然语言建模，如果您在软件开发环境中，可能通过行为驱动开发(BDD)过程。例如，你可以采访具有领域知识的人，寻找自然模糊的陈述，比如气象学中的"多云"、"阴天"one_answers"晴天"，或者模糊数字，比如"大约一半"或"最多"。然后找到最准确匹配这些术语含义的隶属函数。注意，有时来自多个模糊集的项可以一起出现；例如，您对语句"大约有一半的时间是阴天"的真值进行分级，这可能需要三个独立的成员函数，一个用于真值，一个表示模糊数，第三个用于"阴天"类别。语言分析是最简单的方法，因为人们每天都自然地使用模糊语言；但要意识到，多个模糊集实际上可以组合在一起，为自然语言中不常出现的模糊逻辑好奇心建模，比如"约翰比他聪明高"、"库存比它低"、"咖啡至少和美味一样不健康"one_answers"她的上一部小说比忏悔小说更具政治性。"这些例子来自第16页，Bilgic，Taner和Turksen，I.B.August 1994，"模糊集理论中连接词的测量——理论证明"，第289–308页，《模糊集与系统》，1995年1月。第76卷第3期。
•另一项重要任务是整理如何对"语言连接词"进行建模，如模糊and和or，或模糊语句之间的清晰连词。已经制定了一些指导原则，并可从以下来源获得：Alsina，C。；Trillas E.和Valverde，L.，1983，"关于模糊集理论的一些逻辑连接词"，《数学分析与应用杂志》第93卷第15-26页；Dubois、Didier和Prade，Henri，1985，"模糊集聚合连接词综述"，《信息科学》第85-121页，1985年7-8月。第36卷第1-2期。
•汇集专家的意见(如在专家系统中)或其他人的主观得分(如在电影评级系统中)。评级本身将构成一个模糊级别，而如果每个专家或其他个人的特定分数特别权威，则可以添加另一个级别来衡量其重要性。
•另一种选择是使用神经网络来确定在模型中添加各种模糊规则和集合是否真的提高了精度或与最终目标相关的其他指标。
•其他选项包括使用回归、最大似然估计(MLE)、LaGrange插值、曲线拟合和参数估计等技术估计隶属函数以及T-范数和T-范数的参数(通常用于模糊补、并集和交集)。所有这些都在我最喜欢的模糊集数学参考文献中进行了讨论，Klir，George J.和Yuan，Bo，1995，模糊集和模糊逻辑：理论和应用。Prentice Hall:Upper Saddle River，N.J.
•同样，决定是否包括特定的模糊规则或集合可能取决于你是否能在其潜在的、可能未知的"实际"成员函数和你的测试之间找到一个很好的匹配。大多数情况下，三角形、梯形或高斯函数就足够了，但在某些情况下，可能需要进行分布测试才能找到正确的分布函数。经验分布函数(EDF)可能在这里派上用场。
长话短说，可以应用许多不同的统计和机器学习技术来给出这些问题的大致答案。关键是始终保持在上述两个主要原则的范围内，只有在符合你的实际目标时才用模糊集建模，然后忽略其他原则。我希望这会有所帮助。