【摘要】：原因在于式是对输出变量y的隶属函数值进行了加权平均，而式是直接对输出变量y进行了加权平均。下面结合实际数据说明这种改进的原因，假设输出数据y在理想的情况下是在{-3，3}之间，由于某种原因使得y样本集中混入一个大的干扰数据（如30），那么用式很难加权平均掉这个大的干扰数据。
从上式可以看出，iWM算法为了提取某条规则使用了所有样本数据都参与选举的原理，比早期的WM算法仅用一个样本数据选择一条规则有了改进，这种遍历保证了模糊规则库空间的完备性。但从鲁棒性角度看，式（2-40）和式（2-41）改成下面的形式更合理
可用下式决定结论变量选择的最优模糊集
avBj∗≥avBj （2-45）实际上，式（2-44）和式（2-45）与后面提到的DM算法以及遍历所有的输出模糊集空间是完全一样的。(www.xing528.com)
式（2-40）、式（2-41）和式（2-44）、式（2-45）都完成了结论变量最优模糊集的选择问题，但后者比前者具有更好的鲁棒性。原因在于式（2-44）是对输出变量y（p）的隶属函数值进行了加权平均，而式（2-40）是直接对输出变量y（p）进行了加权平均。下面结合实际数据说明这种改进的原因，假设输出数据y（p）在理想的情况下是在{-3，3}之间，由于某种原因使得y（p）样本集中混入一个大的干扰数据（如30），那么用式（2-40）很难加权平均掉这个大的干扰数据。但用式（2-44）却能做得很好，因为各个数据都被隶属化到[0，1]之间等同地位，即使样本集中混入少量干扰数据，也能被其他好数据有效地屏蔽。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
