模糊逻辑在协同作业机器人领域、汽车机器人、感知预测、供应链管理和焊接领域获得了成功。
自动知识获取
收集某一领域内的知识以构建知识数据库是非常复杂且耗时的，它往往是搭建专家系统的瓶颈所在。自动知识收集技术被开发出来以解决这一问题。这种学习程序通常要求采用多个案例作为学习的输入。每一个案例都具有多种属性参数，并按类型归类。一种方法就是采用“分治策略”，根据某一策略对各种属性进行筛选，将原有的案例集合划分为子集合，然后归纳学习程序建立决策树并将给定的案例集合正确分类。决策树能够表述从集合中的特定案例产生出什么知识。这一方法还可以后续应用于处理那些没有被案例集合覆盖的情况。
另一种方法被称为“覆盖法”，归纳学习程序的目标是找到一组被某一类型的案例所共同持有的属性，并将这一共同属性作为“如果”的部分，将类型做为“然后”的部分。程序将集合中符合规则的案例移除直至没有共同属性。
图3所示为一个用于测试环境智能对提升能效的试验系统。
还有一种使用逻辑程序代替命题逻辑的方法就是对案例进行描述然后表述全新的概念。这种方法使用了更加强大的预测逻辑来描述训练案例和背景知识，然后表述全新概念。预测逻辑允许使用不同型式的训练案例和背景知识，它允许归纳过程的结果(归纳概念)以带有变量的一阶子句的形式描述，而不仅限于由属性-值对组成的零阶命题子句。这种系统主要有两种类型，第一种是由上自下的归纳/总结方法，第二种是反向解析原理。
已经出现了不少的学习程序，例如ID3，它是一种分治策略程序;AQ程序采用了覆盖法;FOIL程序是采用了归纳/总结方法的ILP系统;GOLEM程序是采用反向解析方法的ILP系统。虽然大多数程序产生的都是明确的决策规则，但是也有一些算法能够产生模糊规则。要求以严格的格式提供案例集合(明确的属性和明确的分类)在传感器系统和传感器网络中很容易满足，因此自动学习技术在传感器系统中应用颇为广泛。这种类型的学习适合于那些属性是以离散的或者符号的形式所表示，而并非适用于具有连续属性值的传感器系统案例。一些推断学习应用的例子包括激光切割、矿石检测和机器人应用。
图4所示为一个虚拟系统流程图，显示了系统如何从图像传感器收集数据。视觉数据和CAD模型数据被搭配使用，用来确定对象列表，对象列表随后被发送给焊接识别模块，然后采用人工智能技术明确焊接要求。
神经网络
神经网络也可以从案例中提取领域知识，它们提取的领域知识并非以表征的方式描述，例如规则或者决策树，而且它们可以同时应对连续数据和离散数据。它们也具有与模糊专家系统类似的不错的归纳能力。神经网络是大脑的计算机模型，神经网络模型通常假设计算过程可以使用多个简单的被称为神经元的单元所描述，神经元可以相互连接并行作业。
最常见的神经网络是多层感知器，它是一种前馈网络：所有信号以一种方向传输，从输入到输出。前馈网络能够在输入空间和输出空间进行静态映射：在某一时刻的输出仅与这一时刻的输入构成函数关系。周期型网络中，某些神经元的输出反馈会同一个神经元或者反馈回之前层级的神经元，可以认为具有动态内存：这种网络在某一时刻的输出受当前输入和之前输入和输出的影响。
不显性表述的“知识”通过对神经网络进行训练而内置于神经网络内。某些神经网络能够使用预先定义的特定输入模式进行训练，进而产生预期的输出模式。实际输出和预期输出之间的差异用来对神经元之间连接的强度和权值进行修正。这种方法被称为监督训练。在多层感知器中，监督训练的反向传播算法通常用来传播来自于输出神经元的误差，然后计算出隐含层神经元的修正权值。
人工神经网络通常具有输入和输出，在输入和输出之间的隐藏层完成处理任务。输入是独立的变量，而输出是相互关联的。人工神经网络是具有可配置内部参数的灵活的数学方程。为了精确地展现复杂的关系，通过训练算法来调整这些参数。在简单训练模式下，输入案例和相应的预期输出同时展现给网络，通过尽可能多的案例进行重复进行自调整过程。一旦训练结束，人工神经网络就能够接受全新的输入，预测正确的输出。为了产生输出，网络只需要按方程计算即可。唯一的假设就是在输入数据和输出数据之间存在某种连续的函数关系。神经网络适用于映射设备、模式归类或者模式补全(自动联想内容寻址内存和模式关联器)。