对于一般的神经元模型具有如下的信息处理能力：

其中，x_i为该神经元的输入；w_i为对应输入x_i的连接权值；θ为该神经元的阈值；y为输出；f（·）为一转换函数。

现将这一神经元模型推广，使之具有更一般的表示形式：

此式是以算子代替上式中的算子（＋，·）。算子即称为模糊神经元算子。

当x_i∈［0，1］（i＝1，2，…，n－1）时，采用模糊神经元算子的神经元模型即为模糊神经元模型。

选用不同的模糊神经元算子即可得到不同的模糊神经元模型。表4.2列出了其中的几种。从表中也可看出，第一种模糊神经元实际上就是普通神经元，即普通神经元可视为模糊神经元的特例。

表4.2　6种模糊神经元模型

由两个或两个以上的模糊神经元相互连接而形成的网络就是模糊神经网络（Fuzzy Neural Networks，FNN）。它是模糊逻辑与神经网络相融合而成的。构成模糊神经网络的方式有两种：

·传统神经网络模糊化。这种FNN保留原来的神经网络结构，而将神经元进行模糊化处理，使之具有处理模糊信息的能力。

·基于模糊逻辑的FNN。这种FNN的结构与一个模糊系统相对应。

如果就具体形式而言，FNN可以分为五大类：

·FNN1——神经元之间的运算与常规的神经元相同，采用sigmoid函数，输入值改为模糊量。

·FNN2——神经元之间的运算与常规的神经网络相同，采用sigmoid函数，连接权值改为模糊量。

·FNN3——神经元之间的运算与常规的神经网络相同，采用sigmoid函数，输入值与连接权值都改为模糊量。

·HNN——输入、权值与常规的神经网络相同，但是用“与”、“或”运算代替sigmoid函数。

·HFNN——分别在FNN1、FNN2、FNN3的基础上，采用“与”、“或”运算代替sigmoid函数。