基于案例推理
基于案例推理针对计算机应用形成了四个步骤：
1、检索：给出目标问题，从内存检索相关案例以解决这个问题。案例包括问题、解决方案以及关于这个解决方案是如何得到的注释。
2、重用：将解决方案从过往案例映射到目标问题上。这一过程包括对新场景适应性变更。
3、修改：在将解决方案从过往案例映射到目标场景之后，测试新的解决方案在真实世界(或者仿真场景)中是否奏效，如果必要，进行修改。
4、保留：如果解决方案成功地解决了目标问题，那么将解决方案作为全新案例存储于内存中。
这一方法的争论点在于它采纳了一些未经证实的证据作为主要作业准则。没有统计相关数据作为支撑，很难确保结论的准确性。所有根据少量数据做出的推理都被认为是未经证实的证据。
基于案例推理这一概念的宗旨就是将过往问题的解决方案应用在当前问题上。这种解决方案被存储于数据库之中，作为人类专家的经验总结。当系统发生了前所未有的问题，它会将问题与过往问题对比，找到一个与现有问题最为相近的案例。然后按照过往的解决方案解决问题，并按照成功和失败与否更新数据库。
基于案例推理系统通常被认为是规则系统的扩展。和规则系统类似，基于案例推理系统善于以人类稔熟的方式呈现知识，不但如此，基于案例推理系统还具有从过往案例学习并产生新案例的能力。图1所示为基于案例推理系统。
图1 所示是基于案例推理系统，和基于规则的系统一样，基于案例推理系统的擅长之处在于以人类稔熟的方式呈现信息;同时，基于案例推理系统也具有从过去案例学习进而创建新增案例的能力。
很多专家系统再开发时都采用了一种被称为“壳”的程序，它是一种配备了完整的推断和知识存储设备但是并不具备相关领域内知识的专家系统。一些复杂的专家系统的构建依赖于“开发环境”，后者比壳的应用更加灵活，为用户提供了构建自定义判断和知识呈现方法的机会。
专家系统恐怕是这些技术中最为成熟的一种，有很多商业壳系统和开发工具可供使用。一旦某一领域内的知识被导入了专家系统，构建整个系统的过程就相对简单了。由于专家系统便于使用，所以应用广泛。在传感器系统中，有很多应用领域，包括选择传感器输入、解析信号、状态监控、故障诊断、机器和过程控制、机器设计、过程规划、生产规划和系统配置。专家系统的应用还包括装配、自动编程、复杂智能车辆的控制、检查规划、预测危险、选择工具和加工策略、工序规划和工厂扩建的控制。
模糊逻辑
普通规则专家系统有一个劣势，就是它无法应对超出知识数据库范围的情况。当这种情况出现时，这些规则系统无法给出结果。这些情况发生时系统就会“当机”，而不似人类专家在面对全新问题的时候表现出来的是性能降低。
模糊逻辑的使用，引入了人类判断所具有的定型判断和不精确的特性，可以提升专家系统的适应性。模糊逻辑将变量值变为一种语言上的描述，这些描述的含义就是模糊集合，而判断正是依据这些表述所做出。
模糊专家系统使用模糊逻辑来应对不完全数据或者被部分损坏的数据所带来的不确定性。这种技术使用模糊集合的数学理论来仿真人类判断的过程。人类可以很轻松地在决策过程中应对语意不明的情况(灰色地带)，而机器认为这很难。图2所示为模糊逻辑控制器的架构。
图2所示为模糊逻辑控制器的架构。
模糊逻辑有在传感器系统中有很多应用，因为这一范畴的知识并不精确。模糊逻辑非常适用于那些在结构和对象无法精确匹配的领域、解析度受限的场合、数字重构方法和图像处理领域。在结构对象识别领域和场景解析领域都有模糊集合的应用。模糊专家系统适用于要求处理不确定性和不精确性的场合。它们不具备学习的能力，因为系统的关键参数都已经预设好了，无法改变。