由于神经网络和专家系统都是接收输入并就输入的情况属于哪一类做出回答的系统，因此，读者可能会问，它们之间有何区别呢?我们知道，专家系统也可以进行分类，它根据要推出的结论提出问题，由问题的回答进行诊断或提出建议。它们之间的区别就是专家系统必须严格按照规则实施，而不能进行自我调节。例如，一个检测信用卡欺诈行为的专家系统，有这样一项规则：如果某类账户的购买价值超过一定的数量，则为这一交易作标志。据此，专家系统对即使超过规定量1分钱的交易也会做上标志。另一方面，神经网络可以学习了解持卡人的消费行为，并且可以评价购买量与规定量之间的偏差，看其是否大到能引起怀疑的程度。神经网络甚至可以适用于训练样本中没有出现的情况。例如，如果在神经网络的学习过程中抵押贷款利率的范围是在6到10个百分点之间，那么如果利率降到了5个百分点，系统会插入新语句。
神经网络具有许多优点，例如，它可以：
·独立学习并适应新环境，
·适于大规模并行处理，
·可以在具有不完整或不良结构信息的情况下进行工作，
·能够处理变量之间具有依赖性的大量信息，
·可以分析信息中的非线性关系，并被称为特别回归分析(fancyregressionanalysis)系统。
当前，神经网络面临最大的问题是隐含层的隐蔽性。也就是说，我们不知道神经网络是如何学习的，神经元之间是如何相互作用的。一些新型的神经网络不再隐藏中间层。用户可以人为地调整这些系统的权重或连接状况，从而使用户具有更多的灵活性和支配权。
4．7．2模糊逻辑
模糊逻辑是一种基于不明确的或含糊的信息得出结论的方法。由于不是每种信息都能被区分并归入互不相交的类别中，因此人类往往是在大概的信息的基础上做出决策。例如，你可能认为华氏温度20度是非常冷，40度是冷，60度是温暖，90度是热，105度是非常热。但是，你却无法用精确的数值来对感觉温暖(或不温暖)的程度进行分类。困难之处在于存在以下事实：其他一些人的体验很可能与你是不同的：从主观上看，使一些人感觉温暖的温度，对另一些人而言很可能是热的——或是凉爽的。因此，你需要一种方法将大概的或含糊的判断标准转换成计算机能处理的数据，计算机只能处理用精确数字描述的事件。在这种情境下，模糊逻辑就非常有效了。
模糊逻辑是一种处理不精确的或主观的信息的数学方法。基本方法是将0—1之间的数字分配给不精确的或主观的信息。程度越高，就越接近1。例如，可以将数值0．8分配给“热”，然后就可以创建被称为算法的规则和过程来描述变量之间的互相依赖性了。一个模糊逻辑算法是一组步骤，它将代表着不精确的信息或个性感知的各个变量联系起来。
模糊逻辑与神经网络经常结合在一起，以一种可能简化问题和应用规则的形式表达复杂的和主观的概念。规则是在某种确定性程度下执行的。这非常类似于，但是却不等同于统计学中的置信度概念。在统计学中，概率是用来估计某种结果的可能性的，而模糊逻辑所描述的是用来具体化主观感知的数据点本身。
在商业世界中，模糊逻辑已经应用于财务分析、制药业、木材加工和金属切割行业、防死锁刹车的制造以及机器清洗等领域。例如，在机器清洗中能自动识别使用多少水和清洗多长时间(将一直清洗直到水“干净”为止)。在会计和财务领域中，模糊逻辑支持使用在经济学分析中非常重要的主观财务价值(比方说，像商誉这样的重要无形资源)来分析信息。
Google使用模糊逻辑来搜索用户想找的内容，用户的搜索词是很有意义的，因为对某一主题的感知通常会影响用户在查询时所使用的措词，所以Google据此来选择并传送相关的网页。
