A method for transformation of fuzzy logic (FS) into a neural network (NN), in which, in order to form a defuzzified output value (y2) from normalized single-element functions (F1 . . . Fm), the single-element functions (F1 . . . Fm) are each assigned a singleton position (A1 . . . Am) and at least one singleton weighting factor (R1 . . . Rn), those singleton weighting factors (R1 . . . Rn) which are assigned to the same single-element function (F1 . . . Fm) are additively linked, and the singleton weighting factors (R1 . . . Rn) and the additively linked singleton weighting factors (R1 . . . Rn) are weighted via the corresponding singleton positions (A1 . . . Am) and are additively linked in order to form the defuzzified output value (y2). One advantage of the method according to the invention is that the singleton positions (A1 . . . Am) in the neural network (NN) can be varied, in order to optimize this network, such that their number before and after the optimization process remains constant and thus, in any case, subsequent reverse transformation of the neural network (NN) can be carried out to optimize fuzzy logic (FS). This advantageously allows the use of, in particular, standardized fuzzy system software to describe the optimized fuzzy logic (FS).

Μια μέθοδος για το μετασχηματισμό της συγκεχυμένης λογικής (FS) σε ένα νευρικό δίκτυο (NN), στο οποίο, προκειμένου να διαμορφωθεί το α η αξία παραγωγής (y2) από τις ομαλοποιημένες λειτουργίες ενιαίος-στοιχείων (F1. .. Fm), οι λειτουργίες ενιαίος-στοιχείων (F1. .. Στο Fm) κάθε ένα ορίζεται μια θέση singleton (Α1. .. Am) και τουλάχιστον ένας παράγοντας στάθμισης singleton (R1. .. RN), εκείνοι οι παράγοντες στάθμισης singleton (R1. .. Rn) που ορίζονται στην ίδια λειτουργία ενιαίος-στοιχείων (F1. .. Το Fm) συνδέεται πρόσθετα, και οι παράγοντες στάθμισης singleton (R1. .. Rn) και οι πρόσθετα συνδεμένοι singleton παράγοντες στάθμισης (R1. .. Το Rn) είναι ζυγισμένο μέσω των αντίστοιχων singleton θέσεων (Α1. .. Το Am) και συνδέεται πρόσθετα προκειμένου να διαμορφώσει η αξία παραγωγής (y2). Ένα πλεονέκτημα της μεθόδου σύμφωνα με την εφεύρεση είναι ότι οι θέσεις singleton (Α1. .. Το Am) στο νευρικό δίκτυο (NN) μπορεί να ποικληθεί, προκειμένου να βελτιστοποιηθεί αυτό το δίκτυο, έτσι ώστε ο αριθμός τους πριν και μετά από τη διαδικασία βελτιστοποίησης παραμένει σταθερός και έτσι, εν πάση περιπτώσει, ο επόμενος αντίστροφος μετασχηματισμός του νευρικού δικτύου (NN) μπορεί να πραγματοποιηθεί για να βελτιστοποιήσει τη συγκεχυμένη λογική (FS). Αυτό επιτρέπει ευνοϊκά στη χρήση, ειδικότερα, του τυποποιημένου συγκεχυμένου λογισμικού συστημάτων για να περιγράψει τη βελτιστοποιημένη συγκεχυμένη λογική (FS).