Sugeno 型模糊推論
Sugeno 型（Takagi–Sugeno–Kang，1985）的規則前件和 Mamdani 一樣，但結論是輸入的函數，而不是模糊集合。典型的規則是
$$\text{若 輸入}_1 = x \text{ 且 輸入}_2 = y,\ \text{則 輸出 } z = ax + by + c$$- 零階 Sugeno：\(a = b = 0\)，輸出 \(z = c\) 是常數。
- 一階 Sugeno：\(z\) 是輸入的線性函數。
每條規則的輸出 \(z_i\) 以它的激發強度 \(w_i\) 加權。例如 AND 規則（輸入 1 = \(x\)、輸入 2 = \(y\)）的激發強度為 \(w_i = \text{AndMethod}\big(F_1(x), F_2(y)\big)\)，\(F_{1,2}\) 為兩個輸入的歸屬函數。整個系統的輸出是所有規則輸出的加權平均：
$$z = \frac{\sum_{i=1}^{N} w_i\,z_i}{\sum_{i=1}^{N} w_i}$$不必像 Mamdani 那樣對整個輸出集合積分求重心，計算量小得多，也容易用最佳化或學習的方法調整參數（例如類神經模糊系統 ANFIS），所以常用於控制器與建模。
▶ 在 Colab 開啟原課程的 MATLAB 程式已改寫成 Python 筆記本（第 7 節 tippersg.fis），可以直接在瀏覽器執行、修改參數。⬇ 下載 Fuzzy_toolbox.ipynb
小費問題的 Sugeno 版 Sugeno Tipper
以課程附檔 tippersg.fis（零階：小費少 = 5、普通 = 15、多 = 25）實際計算服務 = 3、食物 = 8：
編註：原講義的 Sugeno 流程圖取自 Matlab 工具箱手冊，得到 16.3%；依課程附檔 tippersg.fis 實算為 18.48%。兩者差異同 Mamdani 頁的編註：手冊圖是示意圖，不是用這個檔案算出來的。
在 Mamdani 頁的互動推論切到「Sugeno」可以比較兩者：同樣的規則與激發強度，只差在結論與解模糊化的方式。原講義附檔：InvertCart.zip（倒單擺台車的 Sugeno 模糊控制，見倒單擺 FIS）。
原圖對照（取自 Matlab 工具箱手冊）
