本书提出了一种新的理论模糊网络，该理论是离散数学和系统理论的新应用。全书共10章，主要内容包括概论、模糊系统的分类、模糊网络的形式模型、模糊网络的基本运算、基本运算的结构特性、模糊网络的高级运算、前馈型模糊网络、反馈型模糊网络、模糊网络评估以及结论。
本书理论与实践相结合，每一个理论知识点都配有深入浅出的示例，第9章还配有两个实际应用案例。本书可作为计算机科学、控制科学、管理科学、应用数学等专业的教材，也可供相关专业的工程人员阅读参考。
本书介绍模糊网络理论，是我的前一本专著《模糊系统的复杂性管理》内容上的扩展。2007年，我在Springer出版了图书《模糊系统的复杂性管理》，它属于模糊性和软计算研究系列。
本书内容来源于我在国际学术活动中所做的演讲。这些演讲包括2007年在EPSRC国际复杂性科学暑期学校的特邀演讲、2007年和2010年在IEEE国际模糊系统会议上的讲座、2008年和2010年在IEEE国际智能系统会议上的讲座、2009年在IFSA世界大会上的讲座，以及2008年在WSEAS国际模糊系统会议和2009年在人工智能会议上给全体人员所做的报告。
复杂性已经成为多学科背景下科学研究的严峻挑战。例如，在生物学、宇宙学、工程、计算机、金融和其他领域中，复杂系统经常困扰我们。然而，对复杂系统的理解往往是一项困难的任务。
复杂性可分为定量与定性两个方面。定量方面的特点通常与一个大规模实体或这个实体中的大量元素有关。定性方面的特点通常是与实体中数据、信息或知识的不确定性有关。
应对定量复杂性的通用方法是引入广义网络(general network)。广义网络由节点和连接组成，节点代表一个实体的元素，连接反映了这些元素之间的相互作用。在这种情况下，实体的规模由网络总体规模反映，而元素的数量则由节点数量决定。
处理定性复杂性的有效方法是引入模糊网络。模糊网络也由节点和连接组成，其中节点是模糊系统，连接反映了这些模糊系统之间的相互作用。在这种情况下，与实体有关的数据、信息及知识的不确定性由相应模糊系统的规则库及其隐含的模糊逻辑来反映。
在上面的分析中，模糊网络与神经网络形成天然的对应关系。神经网络和模糊网络都是基于智能计算的网络，都具有节点和连接。然而，神经网络中的节点由神经元表示，模糊网络中的节点则由规则库表示。
感谢Mathworks公司将本书列入其图书计划，并提供了MATLAB模糊逻辑工具箱的免费个人许可。该软件用于验证模糊网络理论。
还要感谢Springer出版社丛书编辑Janusz Kacprzyk教授对本书内容框架的指导，他的反馈意见对于最终版本的改进非常有帮助。
非常感谢Springer出版社的助理编辑Heather King在本书编辑方面的合作。从开始写作一直到最后交稿我都得到了她的热情帮助。
非常感谢朴茨茅斯大学计算机学院院长Annette Wilson，感谢她作为管理者对本书的支持，让作者的教学和管理职责保持在合理的范围内，这有助于本书的及时出版。
非常感谢朴茨茅斯大学的博士生Nedyalko Petrov和布鲁内尔大学的博士生Emil Gegov在MATLAB软件中验证了书中的一些理论成果。没有他们的帮助，这本书可能就只会有理论上的阐述。
感谢亚历山大·冯·洪堡(Alexander von Humboldt)基金会和欧盟委员会给予的访问研究奖学金。我在德国杜伊斯堡大学和伍珀塔尔大学及荷兰代尔夫特理工大学的访学为书中的一些观点奠定了早期基础。
感谢我的妻子、父母和妹妹的精神支持。如果没有他们的支持，写作过程会更加困难，也会更加耗费时间。
最后，感谢我的朋友Diana Koleva在校对过程中的帮助，感谢朴茨茅斯大学摇滚乐队Discovery的伙伴们多年来帮助我从音乐中迸发灵感，感谢我最喜欢的乐队和音乐频道在本书文字输入过程中所带来的愉悦。
Alexander Gegov
2010年6月于英国朴茨茅斯
新书资讯
