如何學習小波神經網路

A. 想訓練小波神經網路 但是沒有訓練樣本怎麼辦

看你的問題是什麼，你抽象出來的模型是描述什麼問題的，根據具體的問題，去組織相關的樣本。
比如你做電機故障診斷，那就需要去找電機相關人員獲取數據，再轉化為樣本。
一般需要點關系，項目的、熟人的都可以是渠道。

B. 想用小波神經網路Matlab編程，怎麼學一下子讓我看程序我一點都看不懂啊。。。。

你必須得了解神經網路吧，光那個訓練函數及newff就夠你琢磨半天的，然後在分析小波吧，如果沒學過的肯定也得下下功夫了，其實就這兩部分，建議單獨各自找個例子代碼運行一下，比較直觀的學習我覺的是matlab學好的捷徑，事在人為，沒有什麼好辦法，只要你下那麼一點點功夫，總比玩局dota要有成就感的多，放心這2部分的例子數不勝數，多看看沒壞處的！只是建議，還是那句事在人為，多學點沒壞處！

C. 初學者學小波神經網路,請推薦一本好書

狼王夢

D. 小波神經網路預測，如何把數據載入進去，然後用下面的程序預測

%訓練數據歸一化
[inputn,inputps]=mapminmax(input');
[outputn,outputps]=mapminmax(output');
inputn=inputn';
outputn=outputn';
將這一段代碼中的input、output換成你的樣本即可。

小波變換（wavelet transform，WT）是一種新的變換分析方法，它繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的「時間-頻率」窗口，是進行信號時頻分析和處理的理想工具。

E. 如何改進小波神經網路即增加小波神經網路的輸入層到輸出層的連接

隱含神經元的數目是非常重要的，它的選取結果直接影響到網路的性能好壞。如果隱含層的神經元數量太少，網路就不能夠很好的學習，即便可以學習，需要訓練的次數也非常多，訓練的精度也不高。當隱含層神經元的數目在一個合理的范圍內時，增加神經元的個數可以提高網路訓練的精度，還可能會降低訓練的次數。但是，當超過這一范圍後，如果繼續增加神經元的數量，網路訓練的時間又會增加，甚至還有可能引起其它的問題

F. 小波神經網路權值，伸縮因子，平移因子怎麼變化

小波神經網路有兩種，一種是簡單地把激活函數換成小波函數，一種是先用小波分析處理數據。一般我們使用第一種，權值的修正依然採用BP演算法，伸縮因子和平移因子一開始就確定了。

小波(Wavelet)這一術語，顧名思義，「小波」就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與Fourier變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號(函數)逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學方法上的重大突破。有人把小波變換稱為「數學顯微鏡」。

G. 小波神經網路的建模怎麼確定隱含層的神經元個數

確定隱層節點數的方法為「試湊法」。

隱含神經元的數目是非常重要的，它的選取結果直接影響到網路的性能好壞。如果隱含層的神經元數量太少，網路就不能夠很好的學習，即便可以學習，需要訓練的次數也非常多，訓練的精度也不高。當隱含層神經元的數目在一個合理的范圍內時，增加神經元的個數可以提高網路訓練的精度，還可能會降低訓練的次數。但是，當超過這一范圍後，如果繼續增加神經元的數量，網路訓練的時間又會增加，甚至還有可能引起其它的問題。那麼，究竟要選擇多少個隱含層神經元才合適呢?
遺憾的是，至今為止還沒有理論規定該如何來確定網路隱含層的數目。所以，只能用嘗試的方法來尋找最適宜的隱含層神經元數目。本文採取的做法是:構建多個BP網路，它們除了隱含層神經元個數不同外，其它一切條件都相同，通過比較它們訓練的循環次數和網路精度，找到最佳的神經元個數。

小波神經網路的隱層設計原則也遵循這個方法。也有一些經驗公式，可以作為參考。

H. 小波神經網路的優勢是什麼謝謝

小波神經網路相比於前向的神經網路,它有明顯的優點:首先小波神經網路的基元和整個結構是依據小波分析理論確定的,可以避免BP神經網路等結構設計上的盲目性;其次小波神經網路有更強的學習能力,精度更高。總的而言，對同樣的學習任務,小波神經網路結構更簡單,收斂速度更快，精度更高。

I. 會matlab的幫個忙吧，就是用小波神經網路預測，數據從資料庫中讀取，我是新手，沒有辦法給予獎勵，非常感

比較復雜，建議你上這個網站http://www.ilovematlab.cn看看，裡面有圖像處理的教學

J. 什麼是「小波神經網路」能幹什麼用呀

小波神經網路（Wavelet Neural Network， WNN）是在小波分析研究獲得突破的基礎上提出的一種人工神經網路。它是基於小波分析理論以及小波變換所構造的一種分層的、多解析度的新型人工神經網路模型。

 即用非線性小波基取代了通常的非線性Sigmoid 函數，其信號表述是通過將所選取的小波基進行線性疊加來表現的。它避免了BP 神經網路結構設計的盲目性和局部最優等非線性優化問題，大大簡化了訓練，具有較強的函數學習能力和推廣能力及廣闊的應用前景。

「小波神經網路」的應用：

1、在影像處理方面，可以用於影像壓縮、分類、識別與診斷，去污等。在醫學成像方面的減少B超、CT、核磁共振成像的時間，提高解析度等。

2、在信號分析中的應用也十分廣泛。它可以用於邊界的處理與濾波、時頻分析、信噪分離與提取弱信號、求分形指數、信號的識別與診斷以及多尺度邊緣偵測等。

3、在工程技術等方面的應用。包括電腦視覺、電腦圖形學、曲線設計、湍流、遠端宇宙的研究與生物醫學方面。

(10)如何學習小波神經網路擴展閱讀：

小波神經網路這方面的早期工作大約開始於1992 年，主要研究者是Zhang Q、Harold H S 和焦李成等。其中，焦李成在其代表作《神經網路的應用與實現》中從理論上對小波神經網路進行了較為詳細的論述。近年來，人們在小波神經網路的理論和應用方面都開展了不少研究工作。

小波神經網路具有以下特點：首先，小波基元及整個網路結構的確定有可靠的理論根據，可避免BP 神經網路等結構設計上的盲目性；其次，網路權系數線性分布和學習目標函數的凸性，使網路訓練過程從根本上避免了局部最優等非線性優化問題；第三，有較強的函數學習能力和推廣能力。