他们是无关的。

有可能将模糊值解释为概率，但严格来说它们是不同的：模糊值是模糊的，而概率反映可能性（参见模糊逻辑的维基百科条目）

在六面骰子上滚动特定数字时，概率为$1 \over 6$，一卷实际上只能有一个结果。

一个“相当老”的模糊值可以同时是多个具有不同隶属度的模糊集的成员，例如“年轻”为 0.001，“青少年”为 0.1，“老”为 0.4，“古代”为 0.7。除非它被“去模糊化”，否则它同时包含在所有集合中。

去模糊化是一种解释一系列模糊操作的结果并找到最匹配的集合的方法，但它不是一个明确定义的过程，例如根据一组概率选择一个随机数（或掷骰子）。

我不确定任何给定模糊值的所有模糊集成员值的总和必须等于 1.0；而这个条件必须为概率成立。

[编辑：澄清-概率不是一组；我在这里指的是随机事件的所有可能结果，这些结果具有一定的实现概率。所有可能的事件概率之和必须为 1.0]

您的应用程序的另一种解释可能是输入集与训练集相同的置信度。如果您想用它做其他事情，例如通过将它与其他模糊变量组合，这可能是一个模糊值。

它们几乎是一样的——因为神经网络的基本逻辑是模糊的。神经网络将采用各种有价值的输入，赋予它们相对于彼此不同的权重，并得出通常也具有价值的决策。在这个过程中，没有任何地方像非模糊数学、几乎所有计算机编程和数字电子学特征的非此即彼的决策序列。早在 1980 年代，人们就人工智能最终会是什么样子进行了争论——一些研究人员试图用巨大的二价决策树来编写“常识”，而另一些研究人员则使用神经网络，这些神经网络很快就进入了大量的电子设备。显然，后一种方法的基本逻辑与前一种完全不同，即使神经网络是建立在二价电子设备之上的。然而，自 80 年代以来，“模糊逻辑”一词的使用似乎已被淡化，也许是因为通俗地说它有时意味着不确定性。这是一种耻辱，因为它提供了一种更准确的方法来模拟复杂的情况。