Эти модели отличаются форматом базы знаний и процедурой дефазззификации. Все эти модели являются универсальными аппроксиматорами, но при больших объемах выборки экспериментальных данных идентификация с помощью модели типа Сугэно обеспечивает, как правило, большую точность. Однако при этом возникают трудности с содержательной интерпретацией параметров нечеткой модели и с объяснением логического вывода. С моделью типа Мамдани таких трудностей не возникает, ее параметры и после обучения легко интерпретируются содержательно. Процедура нечеткого логического вывода в модели типа Мамдани интуитивно понятна и заказчикам нечетких моделей: технологам, экономистам, врачам, биологам. Поэтому для задач, где более важна точность идентификации, целесообразным будет использование нечетких моделей типа Сугэно, а для задач, где более важным является объяснение, обоснование принятого решения, будут иметь преимущество нечеткие модели типа Мамдани.
Схемы нечеткого вывода:
Схема 1: Импликация моделируется минимумом, а агрегация – максимумом (максиминный метод вывода или схема вывода по Мамдани).
Схема 4: По Ларсену. Моделирует импликацию произведением. В частности, правая часть, представленная нечетким множеством умножается на степень возможности левой части правила.
Пусть есть 3 правила:
- если х=а, то W=D;
- если y=b, то W=E;
- если z=c, то W=F.
