针对板球系统PID控制震荡严重、人工整定PID繁琐以及动态品质差等缺点, 研究了小波神经网络(WNN)辨识和WNN-PID自整定参数相结合的方案。首先, 针对板球强耦合特性, 通过拉格朗日方程建立了由两部分组成的板球系统模型; 其次, 为了克服PID人工整定繁琐和稳定性差等问题, 构建了WNN-PID控制器; 考虑到梯度下降法和固定学习速率容易陷入极值, 利用动量梯度和AdaDec算法, 加快了网络的训练速度; 然后, 利用Lyapunov稳定性理论验证了系统收敛性;最后, 通过Matlab仿真实验可知, 在板球系统中所提策略的稳定性和鲁棒性均优于常规PID和BP-PID策略。

航电系统是现代战机的重要组成部分，也是实现任务合成、能力融合和资源综合的重要支撑手段，作战飞机的性能高低与航电系统的效能密切相关。针对目前航电系统效能评价指标体系复杂、人为评估分歧较大等问题，设计了基于小波神经网络法的航电系统效能评估方法，并设计了航电效能评估系统，结合层次分析法(AHP)构建指标体系，最终专家判断打分得出权重并通过小波神经网络对判断值予以修正。与特定能力下航电效能评估相比，该评估系统指标体系更为丰富，同时对指标权重有着良好的修正效果，为航电系统效能评估提供工具原型支持。

针对高炮位置交流伺服系统控制存在的外界扰动以及非线性特性等问题，提出了一种自回归小波神经网络改进型单神经元自抗扰控制器(SRWNN-ADRC)。单神经元自适应控制器(SNAC)将非线性误差反馈控制律中的非线性增益作为其权值系数，利用SRWNN作为辨识器，在线辨识被控对象的梯度信息并将其提供给SNAC。通过SNAC的自学习功能实现ADRC中参数的在线调节。仿真结果证明，此控制策略使系统具有较好的稳态性能，抗干扰能力强，且动态品质也得到了优化。

针对两栖**除了受到路基环境下车体易振动的因素影响外，还会受到海洋环境下载体本身摇摆等因素的影响，导致两栖**发射装置的发射角度出现偏差的情况,利用自构建小波神经网络的自适应和自学习的能力，提出一种基于自构建小波神经网络的内模控制方法来进行两栖**随动系统研究。由小波基函数的激励强度和衰减程度来决定增加神经元节点或者修剪、删除神经元节点，达到优化隐含层结构的目的，然后采用LM算法来提高学习速率。通过自构建小波神经网络对内模控制系统的正、逆模型进行辨识，来改进控制技术。最后的实验仿真结果表明，该方法可以有效提高系统的抗干扰能力、发射精度以及调节的快速性。

传统的正交频分复用技术对正交性要求高且存在频谱资源的浪费，不适合大规模物联网接入5G网的应用场景，偏移正交幅度调制滤波器组多载波技术是该应用场景的一个解决方案，但该技术应用于40~100Gbps光纤主干网时存在固有干扰和光信道噪声的问题，为此提出了基于小波神经网络的物联网主干光信道估计方法。通过最小二乘法对光信道进行初步估计，基于估计的结果和布谷鸟搜索算法初始化小波神经网络的参数; 通过伪逆运算动态更新网络的权重参数，从而对信道状态进行实时跟踪，保持较高的估计准确性。实验结果显示，估计方法的效果好于传统的最小二乘估计和最小均方误差估计。

节子影响着实木板材力学性能, 如何准确刻画出节子在实木板材内部的形态, 进而计算出实木板材力学性能是一个具有应用价值的科学问题。 目前, 基于机器视觉的缺陷检测方法实现了实木板材表面缺陷检测与识别, 超声波检测方法可以判断出实木板材中缺陷的存在, X-ray虽然可以全面的掌握实木信息, 但其检测成本较高。 近红外光谱分析具有结构丰富, 测试方便、 无损快速的特点, 但是, 光谱中存在的冗余与非线性信息影响建模精准度, 提出一种基于Isomap和小波神经网络融合的节子倾角辨识方法, 利用Isomap完成光谱信息非线性降维, 运用小波神经网络建立节子边缘的物质成分与倾角间的非线性关联, 通过边缘多点倾角反演出节子在实木板材内部的形态。 首先, 采用Pablo提出的节子斜圆锥模型, 并结合图像处理提取实木板材表面的节子缺陷区域, 计算出相应中心位置; 提取节子边缘的多点位置, 采集光谱信息并完成基线漂移和去噪处理; 然后, 利用K-S划分校正样本集, 运用主成分与马氏距离结合剔除异常光谱; 接着, 运用Isomap方法设定降维数和邻近数, 通过PLS完成不同光谱维度的快速建模, 进而迭代出理想光谱特征; 最后, 应用具有局部信息优化能力的小波神经网络建立节子边缘光谱与该点倾角间的非线性关系, 构建出1个12输入、 1输出的网络模型, 并运用梯度修正网络参数; 将节子倾角预测结果输入Solidworks软件完成节子椎体形态的三维呈现。 实验采用落叶松实木板材作为对象, 选取并采集了40个节子的160组光谱数据, 通过测量上、 下表面节子的相对空间位置, 计算出边缘点倾斜角数值并进行建模分析, 实验结果表明: 采用S-G平滑与一阶导数进行光谱预处理, 得到的光谱轮廓更清晰、 吸收峰更明显; 采用Isomap特征降维方法, 选取非线性降维数d=12、 近邻数k=19时, SECV最小, 可以消除光谱信息的冗余数据; 采用小波神经网络建立的节子倾角非线性模型, 其预测相关系数为0.88, 预测标准差为7.65, 相对分析误差为2.14; 可以实现节子在实木板材内部的形态反演, 可以为力学性能预测提供定量化分析手段。

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题, 在获取威胁目标信息较少的环境下, 使用小波神经网络增强网络自学习能力, 并分析威胁因素, 创建不确定性环境下的模糊小波神经网络(FWNN), 实现对目标威胁的评估;然后针对初始参数的不确定性问题, 采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数, 以达到提高评估效果的目的。仿真结果表明, 与模糊小波神经网络相比, 该算法提高系统的稳定性, 加快收敛速度, 增强预测精度。

小波神经网络(WNN)采用梯度下降法调整连接权值和伸缩平移尺度, 存在收敛速度慢, 易陷入局部极值等缺点。提出了基于遗传算法(GA)优化小波神经网络的电子战无人机作战效能评估模型。该评估模型在小波神经网络的基础上, 采用遗传算法搜索最优初始的小波神经网络连接权值和伸缩平移尺度, 避免了人为设定连接权值和伸缩平移尺度的盲目性。仿真实验结果表明此模型可以准确有效地对电子战无人机进行作战效能评估。

为了提高光纤陀螺的测量精度, 提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项, 对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出, 将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值, 采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明, 经过小波神经网络方法补偿后, 光纤陀螺的输出精度达到了0019 4°/s, 光纤陀螺的测量性能得到了提高。

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力，但是WNN算法存在易陷入局部极小值，收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补，已结合应用于语音识别中。本文对ABC算法做出改进，在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程，采取自适应的双搜索方式(Adaptive Double Search)求解，从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合，组成一种训练神经网络的新算法ADSABC-WNN，该算法既能克服WNN算法的缺点，又能保存双方的优点。实验结果表明，与传统ABC算法优化小波神经网络相比，识别率提高均有所提高，其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较，在噪声环境下，该混合模型可以有效地减少识别时间，而且可以明显提高网络的训练速度和语音识别的识别率。