神经模糊建模中有两个重要问题：（1）可解释性——以可解释的方式描述系统行为的能力——和（2）准确性——准确估计系统结果的能力。由于这两个目标通常对神经模糊模型提出了相互矛盾的要求，因此必须采取一定的折衷措施。本文提出了一种新的规则约简算法，即Hebb规则约简，以及一种迭代调整过程，以平衡可解释性和准确性。Hebb规则约简算法使用表示规则对样本覆盖程度的Hebbian排序作为每条规则的重要度量，以合并隶属函数，从而减少规则的数量。相似隶属函数（MF）通过指定的相似性度量按希伯来重要性的顺序合并，并从规则库中删除相应的等价规则。希伯来重要性更高的规则将保留在一系列规则中。通过最小均方（LMS）算法对MF进行调谐，以减小建模误差。MF的调整和规则的简化以迭代的方式进行，以实现可解释性和准确性之间的平衡。Nakanishi发表的三个数据集（Nakanishi，Turksen，&Sugeno，1993）、Pat合成数据集（Pal，Mitra，&Mitra，2003）和交通流密度预测数据集被用作基准，以证明所提出方法的有效性。良好的可解释性和高建模精度可以同时推导，并与其他成熟的神经模糊模型进行适当的基准测试。
