La principale differenza tra la descrizione di insiemi tramite densità di probabilità ovvero tramite funzioni di appartenenza (membership function) consiste nel fatto che alle m.f. non viene richiesto di avere un integrale finito, con la conseguente difficoltà di basare su di esse lo studio di proprietà globali del sistema. In particolare non è possibile definire una legge dei grandi numeri e quindi inferire la m.f. dalle frequenze campionarie.
In questo caso i valori campionati vengono tra di loro combinati attraverso norme che di fatto costituiscono una versione "sharp" delle frequenze. In questo scenario operazioni di inferenza sulle m.f. vengono di solito condotte sulla base del loro impiego operativo (si pensi ad esempio ai sistemi neurofuzzy).
In questa ricerca, per converso, si affineranno metodi di inferenza di tipo entropico basati sulla compatibilità dei granuli di informazione condensati nelle osservazioni campionarie e la loro appartenenza ad insiemi fuzzy caratterizzati da m.f. con alcuni parametri liberi.
L'obiettivo è di arrivare a costituire una libreria di regole di inferenza cha siano di facile impiego e dunque che possano venire a far parte dell'armamentario quotidiano di coloro che utilizzano i fuzzy sets.
In questo caso i valori campionati vengono tra di loro combinati attraverso norme che di fatto costituiscono una versione "sharp" delle frequenze. In questo scenario operazioni di inferenza sulle m.f. vengono di solito condotte sulla base del loro impiego operativo (si pensi ad esempio ai sistemi neurofuzzy).
In questa ricerca, per converso, si affineranno metodi di inferenza di tipo entropico basati sulla compatibilità dei granuli di informazione condensati nelle osservazioni campionarie e la loro appartenenza ad insiemi fuzzy caratterizzati da m.f. con alcuni parametri liberi.
L'obiettivo è di arrivare a costituire una libreria di regole di inferenza cha siano di facile impiego e dunque che possano venire a far parte dell'armamentario quotidiano di coloro che utilizzano i fuzzy sets.