如何学习小波神经网络

A. 想训练小波神经网络 但是没有训练样本怎么办

看你的问题是什么，你抽象出来的模型是描述什么问题的，根据具体的问题，去组织相关的样本。
比如你做电机故障诊断，那就需要去找电机相关人员获取数据，再转化为样本。
一般需要点关系，项目的、熟人的都可以是渠道。

B. 想用小波神经网络Matlab编程，怎么学一下子让我看程序我一点都看不懂啊。。。。

你必须得了解神经网络吧，光那个训练函数及newff就够你琢磨半天的，然后在分析小波吧，如果没学过的肯定也得下下功夫了，其实就这两部分，建议单独各自找个例子代码运行一下，比较直观的学习我觉的是matlab学好的捷径，事在人为，没有什么好办法，只要你下那么一点点功夫，总比玩局dota要有成就感的多，放心这2部分的例子数不胜数，多看看没坏处的！只是建议，还是那句事在人为，多学点没坏处！

C. 初学者学小波神经网络,请推荐一本好书

狼王梦

D. 小波神经网络预测，如何把数据加载进去，然后用下面的程序预测

%训练数据归一化
[inputn,inputps]=mapminmax(input');
[outputn,outputps]=mapminmax(output');
inputn=inputn';
outputn=outputn';
将这一段代码中的input、output换成你的样本即可。

小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。

E. 如何改进小波神经网络即增加小波神经网络的输入层到输出层的连接

隐含神经元的数目是非常重要的，它的选取结果直接影响到网络的性能好坏。如果隐含层的神经元数量太少，网络就不能够很好的学习，即便可以学习，需要训练的次数也非常多，训练的精度也不高。当隐含层神经元的数目在一个合理的范围内时，增加神经元的个数可以提高网络训练的精度，还可能会降低训练的次数。但是，当超过这一范围后，如果继续增加神经元的数量，网络训练的时间又会增加，甚至还有可能引起其它的问题

F. 小波神经网络权值，伸缩因子，平移因子怎么变化

小波神经网络有两种，一种是简单地把激活函数换成小波函数，一种是先用小波分析处理数据。一般我们使用第一种，权值的修正依然采用BP算法，伸缩因子和平移因子一开始就确定了。

小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。

G. 小波神经网络的建模怎么确定隐含层的神经元个数

确定隐层节点数的方法为“试凑法”。

隐含神经元的数目是非常重要的，它的选取结果直接影响到网络的性能好坏。如果隐含层的神经元数量太少，网络就不能够很好的学习，即便可以学习，需要训练的次数也非常多，训练的精度也不高。当隐含层神经元的数目在一个合理的范围内时，增加神经元的个数可以提高网络训练的精度，还可能会降低训练的次数。但是，当超过这一范围后，如果继续增加神经元的数量，网络训练的时间又会增加，甚至还有可能引起其它的问题。那么，究竟要选择多少个隐含层神经元才合适呢?
遗憾的是，至今为止还没有理论规定该如何来确定网络隐含层的数目。所以，只能用尝试的方法来寻找最适宜的隐含层神经元数目。本文采取的做法是:构建多个BP网络，它们除了隐含层神经元个数不同外，其它一切条件都相同，通过比较它们训练的循环次数和网络精度，找到最佳的神经元个数。

小波神经网络的隐层设计原则也遵循这个方法。也有一些经验公式，可以作为参考。

H. 小波神经网络的优势是什么谢谢

小波神经网络相比于前向的神经网络,它有明显的优点:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性;其次小波神经网络有更强的学习能力,精度更高。总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。

I. 会matlab的帮个忙吧，就是用小波神经网络预测，数据从数据库中读取，我是新手，没有办法给予奖励，非常感

比较复杂，建议你上这个网站http://www.ilovematlab.cn看看，里面有图像处理的教学

J. 什么是“小波神经网络”能干什么用呀

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型。

 即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。

“小波神经网络”的应用：

1、在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高分辨率等。

2、在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。

3、在工程技术等方面的应用。包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。

(10)如何学习小波神经网络扩展阅读：

小波神经网络这方面的早期工作大约开始于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《神经网络的应用与实现》中从理论上对小波神经网络进行了较为详细的论述。近年来，人们在小波神经网络的理论和应用方面都开展了不少研究工作。

小波神经网络具有以下特点：首先，小波基元及整个网络结构的确定有可靠的理论根据，可避免BP 神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力。