数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取有用信息的过程。数据挖掘方法有很多种，包括分类、回归、聚类、关联规则等。随着技术的发展，数据挖掘的研究越来越深入，出现了很多新的算法和模型，其中，基于自适应直觉模糊推理的数据挖掘方法就是一种创新的技术。
直觉模糊集是由Atanassov提出的，是模糊集的推广。直觉模糊集对信息的不确定性具有更好的描述能力，它不仅包含了隶属度，还包括非隶属度和犹豫度。直觉模糊集理论在信息融合和模式识别等领域有着广泛的应用。
神经网络是一种模拟人脑结构和功能的计算模型，现如今已成为研究人工智能信息处理的一条重要途经。随着模糊数学和神经网络的发展，模糊神经网络已在专家系统、控制系统、模式识别和系统建模等领域得到成功应用。
自适应神经一直觉模糊推理系统（ANIFIS）是在Sugeno型直觉模糊推理系统的基础上提出的，是与直觉模糊推理系统等价的自适应网络，是模糊神经网络的一种改进，该网络非常适用于逼近非线性函数。ANIFIS是一种前馈型神经网络，有大量的参数需要调整。为了提高学习速度，ANIFIS在前向计算时将前提参数固定，利用最小二乘法辨识结论参数，在误差反向传播时将结论参数固定，利用梯度法调整前提参数。
本文提出的基于自适应直觉模糊推理的数据挖掘方法，是将直觉模糊集与神经网络理论相结合，提出的一种新的数据挖掘方法。这种方法可以根据直觉模糊神经网络本身的自适应学习能力来调节网络参数，自动生成规则库。
文章中提到的仿真实例是一个两输入、单输出的非线性二元函数，通过利用ANIFIS模型的学习算法来训练一个直觉模糊神经网络，逼近这个非线性二元函数。通过这个仿真实例证明了基于自适应直觉模糊推理的数据挖掘方法的有效性。
基于自适应直觉模糊推理的数据挖掘方法结合了直觉模糊集和神经网络的优点，不仅可以处理不确定性数据，还可以自动调整网络参数，生成规则库，具有很高的实用价值。这种方法在数据挖掘领域具有重要的研究价值和应用前景。
