文 献 综 述 模糊集合(fuzzy sets)理论是由美国加州伯克莱分校L．A．Zadeh教授1965年提出的概念，用来处理模糊不清、不严密和不明确的问题。

其主要特点是将明确集合 (crisp sets)加入模糊的观念，并用模糊集合来描述输入模式空间，即利用输入空间的模糊子集合或模糊规则来描述复杂或不确定的系统。

模糊集合用隶属度 (membership degree)来表示元素属于集合的程度，隶属度在0到1之间取值。

这改变了传统数学二值逻辑的明确集合表示，将之扩展为连续多值的模糊集合表示，并使之接受具有模糊现象存在的事实。

在模糊分类系统中，最重要的工作在于针对一个具体的分类问题，找到一个合适的模糊分类规则。

实际应用中，通常有两种选择：①从多个专家处获得专业知识，直接产生模糊推理规则；②通过机器学习(machine learning)的方式，从已知的训练模式集中推导出模糊分类规则。

第一种方法有明显的主观性和经验性，受人为因素影响很大。

因此，近十余年来，许多对模糊分类规则的研究都是怎样自动地从训练模式集提取模糊分类规则。

模糊分类模型通常是从数字化的数据中产生规则。

对于模式分类问题，从数字化的数据中产生规则，由两个阶段组成：一是输入模糊空间的模糊划分(fuzzy partition)，二是决定与模糊子空间(fuzzy subspace)相适应的模糊规则(fuzzy rule)。