模糊逻辑具有模拟人类大脑推理的能力,可广泛用于模式识别、专家系统、故障诊断、系统辨识以及非线性系统的控制。神经网络则具有从数据中学习的能力、并行处理能力、容错以及泛化能力。模糊神经网络结合了两者的优点,克服了神经网络从输入到输出的“黑箱”式非线性映射,又克服了人为选取模糊规则时存在的主观性。模糊神经网络正日益引起学术界的重视和关注,很多专家预测模糊神经网络技术有望成为21世纪智能控制领域的核心技术。针对模糊神经网络的结构难以确定的问题,本文提出了一种聚类算法来辨识模糊神经网络的结构,然后用反向传播法对模糊神经网络的参数进行学习。此聚类算法可以在线地划分输入数据,逐点地更新聚类,自己组织模糊神经网络的结构。不需要知道输入数据的分布情况,所有的规则都会自己创建。随着输入数据的增多,规则数将自动增加,并且训练完的模糊神经网没有矛盾的规则。为了验证模糊神经网此算法的有效性,本文将此算法应用到非线性单入单出,多入单出,多入多出动态系统辨识以及预测时间序列数据中。仿真结果表明,此模糊神经网络可以很好的辨识非线性系统。在以上辨识非线性模型的基础上,本文还将此自组织模糊神经网络算法应用在一级倒立摆的动态逆控制当中,用该模糊神经网络辨识出了一级倒立摆系统的逆模型,实现了该系统的平衡控制。仿真结果表明,此模糊神经网络可以很好地控制倒立摆。