explica modul n care au ajuns la o concluzie. Pe de alt parte, sistemele fuzzypot raiona cu informaii imprecise i i pot explica raionamentul, dar nu potachiziiona automat regulile pe care le utilizeaz pentru luarea deciziilor.Aceste limitri au fost principalul motiv pentru care s-a ncercat crearea desisteme inteligente hibride, n care dou sau mai multe tehnici pot fi combinatepentru a depi dezavantajele tehnicilor individuale.Modelarea cu reguli fuzzy, de tip dac-atunci, este n general potrivit pentrumodelarea calitativ. Totui, n multe situaii, datorit incompletitudiniicunoaterii, inerente unor situaii reale, aceast abordare se dovedeteinsuficient. De aceea se face apel la unele metode conexioniste, cum ar fireelele neuronale. Sistemele neuro-fuzzy sunt astfel capabile s nvee dinexemple, s generalizeze pe baza cunotinelor acumulate i, pe baza datelorprimite, s sintetizeze cunotine n forma regulilor fuzzy.Tabelul 1. Privire comparativ a avantajelor i dezavantajelor sistemelor fuzzy i reelelorneuronale.n ultimii ani, sistemele hibride au suscitat un deosebit interes. Aceast abordares-a dovedit ncununat de succes n diferite domenii, precum diagnozaechipamentelor industriale, robotica sau controlul proceselor dinamice. Motivulprincipal al studierii sistemelor neuronale hibride este crearea de sisteme dereprezentare sub-simbolic, n special a reelelor neuro-fuzzy. Din punctul devedere al tiinelor cognitive, reprezentarea neuronal ofer avantajulomogenitii, a capacitii de nvare prin exemple i a generalizrii, precum iefectuarea de sarcini distribuite, n medii cu date incomplete sau afectate dezgomote. Din punctul de vedere al sistemelor bazate pe cunotine,