با توسعه همه جانبه استفاده از شبکه های کامپیوتری، تهدیدات ناشی از اجرای حملات انکار سرویس توزیع شده در حال افزایش است به شکلی که این دسته از اختلالات به راحتی می توانند منابع ارتباطی و محاسباتی سیستم یا سیستم های قربانی را در مدت زمان کوتاهی از ارائه خدمت به کاربران قانونی خود باز دارند. در این تحقیق، مجموعه ای خلاقانه از تفکیک کننده های فازی-عصبی نوع سوگنو برای تشخیص حملات انکار سرویس توزیع شده ارائه گردیده است که برای تجمیع نتایج آن ها از روش bagging استفاده می شود. دقت تشخیص و هشدارهای مثبت نادرست، مقیاس هایی هستند که در این تحقیق از آن ها برای تحلیل کارایی روش پیشنهادی بهره گرفته شده است. نتایج آزمایشات صورت پذیرفته بر روی زیر مجموعه ای بهینه و تصادفی از مجموعه داده nsl-kdd dataset، نشان دهنده این امر می باشد که مجموعه طراحی شده از تفکیک کننده های پیشنهادی، طی فرآیند تشخیص حملات، به نرخ دقت بالاتری (%96) در مقایسه با سایر روش های پرکاربرد یادگیری ماشین دست یافته است. علاوه بر این، هشدارهای نادرست صادره توسط سیستم تشخیص نفوذ، با بکارگیری روش ارائه شده به شکل چشم گیری کاهش یافته است.