در چند دهه اخیر استفاده از تکنیک های محاسبات نرم بطور چشمگیری در مسائل تقریب ، پیش بینی و ... افزایش یافته است اما هنوز وجود یک سیستم هوشمند که تمام جنبه های این گونه مسائل را تحت پوشش قرار دهد، ضروری بنظر می رسد. این جنبه ها عبارتند از: 1) اعمال دانش افراد خبره به سیستم، 2) مدیریت عدم قطعیت موجود در دانش افراد خبره و 3) آموزش پذیری از روی نمونه داده ها یا نمونه داده های نویزدار. در این تحقیق با ترکیب نقاط قوت منطق فازی نوع-2، شبکه عصبی و الگوریتم ژنتیک، یک سیستم هوشمند ترکیبی به نام «شبکه عصبی فازی تاکاکی-سوگنو-کانگ نوع-2 بازه ای» جهت تقریب و پیش بینی ارائه شده است بطوریکه از توانایی تبدیل یک پایگاه دانش به یک نگاشت غیرخطی و آموزش از روی نمونه داده های ورودی-خروجی برخوردار است. همچنین در آموزش آن، ترکیب تکنیک آموزش rls (کمترین مربعات بازگشتی) با الگوریتم ژنتیک بکار رفته تا همزمان از مزایای آموزش محلی و سراسری استفاده شده باشد. سیستم های منطق فازی نوع-2 توانایی بالایی در مدیریت عدم قطعیت دارند ولی حجم محاسبات بالا و غیر قابل مدیریت آنها باعث گردیده که این سیستم ها در کاربردهای عملی و مهندسی مورد استفاده قرار نگیرند. حجم عمده این محاسبات مربوط به بلوک کاهش نوع سیستم است. در بخش دیگر، این تحقیق به بررسی این مشکل پرداخته شده و برای کاهش حجم محاسبات شبکه عصبی فازی tsk نوع-2 بازه ای، الگوریتم km بنحوی بهبود یافته، که پیچیدگی زمانی و محاسباتی کمتری نسبت به الگوریتم اصلی دارد. همچنین 3 مدل که فقط در نحوه استخراج مجموعه کاهش نوع یافته با مدل اصلی تفاوت دارد پیشنهاد شده است. نتایج نشان می دهد این مدل ها نسبت به مدل اصلی حجم محاسبات بسیار پایین تر دارند و در شرایطی خروجی آنها برابر ویا بهتر از مدل اصلی است.