La teoría del control difuso se ha utilizado extensamente en la construcción de sistemas de inferencia difusa complejos. Sin embargo, argumentamos que las tecnologías de control difuso existentes se centran principalmente en el sistema de información difusa de una sola fuente, ignorando la naturaleza complementaria de los datos de múltiples fuentes. En este artículo, desarrollamos un novedoso Sistema de Inferencia Difusa con forma Gaussiana (GFIS) impulsado por datos difusos de múltiples fuentes. Para ello, primero proponemos un método de normalización de valores en intervalos para abordar la heterogeneidad de los datos difusos de múltiples fuentes. La contribución de nuestro método de normalización de valores en intervalos implica mapear datos difusos heterogéneos a un espacio de distribución unificado ajustando la media y la varianza de los datos de cada fuente de información. Como resultado de combinar las descripciones normalizadas de varias fuentes para un objeto, podemos obtener una representación fusionada de ese objeto. Luego derivamos una función de pertenencia adaptativa con forma Gaussiana basada en la ley de adición de la distribución Gaussiana. GFIS la utiliza para granular dinámicamente las entradas de fusión y diseñar reglas de inferencia. Esta función de pertenencia propuesta tiene la ventaja de poder adaptarse a fuentes de información cambiantes. Finalmente, integramos el método de normalización y la función de pertenencia adaptativa al modelo de Takagi-Sugeno (T-S) y presentamos un marco de inferencia difusa modificado. Al aplicar nuestra metodología a cuatro conjuntos de datos, confirmamos que los datos respaldan la teoría que implica una mejora en el rendimiento y la efectividad.