随着科学技术的发展,现代工业变得越来越复杂,传统的控制方法已经远远不能满足高标准的性能要求。在这种情况下,智能控制理论被提出并逐渐发展起来。模糊神经网络是智能控制理论中一个十分活跃的分支,它是人工神经网络与模糊逻辑系统的有机结合,一方面弥补了纯模糊逻辑在学习方面的缺陷,另一方面使得神经网络这一“黑箱”问题走向透明化。模糊神经网络是一种能处理抽象信息的网络结构,具有强大的自学习和自整定功能。因此,模糊神经网络的发展对智能控制发展具有非常重要的意义。在模糊神经网络的发展过程中始终存在着这样一个难题,即结构辨识问题,也就是如何合适地划分输入输出空间,如何从观测数据中提取较为简化的模糊规则库以便于神经网络实现模糊输入、模糊推理、网络中的传播和最终结果的理解。聚类算法作为一种无监督的分类方法,它能按照一定的要求和规律对事物进行区分和分类。本文将聚类算法引入模糊神经网络,利用聚类算法来提取系统特征,优化输入输出空间,从而生成初始的、粗略的模糊规则库。在分析了模糊C均值(FCM)聚类算法缺陷的基础上,针对类别数的确定和聚类中心初始化这两方面的问题对FCM聚类算法进行了改进。依照改进算法的聚类结果生成规则数目和初始参数,并由此确定模糊神经网络的初始结构。在模糊神经网络的学习过程中,除了利用误差反向传播学习算法对参数进行修正外,还利用灵敏度剪枝算法对网络的结构进行进一步的优化,达到自适应调整网络结构和参数的目的,获得最优的模糊控制规则库。最后以函数逼近为例,验证了所提算法的有效性,说明了它在自适应能力、逼近精度等方面的优势,从而可将其有效地用于模糊建模和控制问题的求解。