演進中的智能系統

在計算機科學中，進化中的智能系統是一個模糊邏輯系統，它通過進化的規則來提高自身的性能。該技術從機器學習中得知，在機器學習中，外部模式是由算法學習的。基于模糊邏輯的機器學習與神經模糊系統一起工作。智能系統必須能夠不斷進化、自我發展和自我學習，以反映動態發展的環境。

EISs通過從可能的未知環境產生的數據流和系統自我監測中自主學習，發展其結構、功能和內部知識表示。EISs考慮的是基礎（模糊或神經模糊）系統結構的逐步發展，與進化和遺傳算法不同，后者考慮的是染色體交叉、變異、選擇和繁殖、父母和后代等現象。進化的模糊和神經系統有時也被稱為進化的，這導致了一些混淆。

其他對這一領域有進一步貢獻的作品將其擴展到進化的參與式學習、進化的語法、進化的決策樹、進化的人類行為模型、自校準（進化的）傳感器、進化的基于模糊規則的分類器、進化的模糊控制器、自主故障檢測器。最近，由結構學習和模糊加權遞歸最小平方參數更新方法組成的進化模糊規則系統的穩定性已被Rong證明。

廣義EFS，允許規則在特征空間中任意旋轉，從而提高其數據代表性，已被提出，并在規則庫的"智能性"方面進行了重大擴展，允許更多的可解釋性并減少維度的詛咒。廣義的規則結構也被成功地用于不斷發展的神經模糊系統中。

特別是基于進化模糊規則的分類器，是一個非常強大的新概念，它提供的功能遠遠超過簡單的增量或在線分類器--它可以應對新的類別被添加或現有類別被合并。這遠遠超過了適應新的數據樣本被添加或分類表面被進化的情況。基于模糊規則的分類器是深度學習的新方法的方法論基礎，直到現在還被認為是多層神經網絡的一種形式。深度學習提供了超越人類能力水平的高精確度，抓住了研究人員、工業界和廣大公眾的想象力。然而，它有一些內在的約束和限制。這些包括。黑箱，不透明的內部結構，有數以百萬計的參數，涉及層數和算法參數的臨時決定。