模糊神经网络是结合了模糊逻辑和神经网络的产物,因其强大的学习能力和泛化能力成为学者竞相研究的对象,在模式识别、智能控制,乃至医疗、经济等领域取得了不错的成果。但是,传统的模糊神经网络也存在一些弱势,尤其在建立多维复杂模型时泛化能力并不能满足实际的需要。本文提出模糊小波多项式神经网络对传统的模糊神经网络进行优化,论文主要的创新点如下:1.提出模糊多项式神经网络。该模型有以下突出的优点:能够支持输入输出之间相对高阶非线性关系的辨识,且具有很强的泛化能力。模糊多项式神经网络通过运用模糊规则来学习和预测输入数据和输出数据之间的关系。提出密度模糊聚类方法,与线性表达式结合构成了模型的模糊规则。运用最小二乘法作为学习算法计算多项式的系数,减少了计算量,提高了模型的泛化能力和鲁棒性。2.提出模糊小波多项式神经网络。与模糊多项式神经网络相比,模型可以处理时间序列的数据,且运用正则化来避免模型的过拟合问题。模糊小波多项式神经网络构造模糊小波多项式神经元作为模糊规则;然后使用L2正则化-最小二乘估计计算局部模型的参数。此外,利用粒子群优化算法对模型进行结构优化和输入优化,进一步提高了模型的泛化能力。3.将模糊小波多项式神经网络应用到人脸识别和房颤辅助诊断中。使用模糊多项式神经网络进行人脸识别,使用模糊小波多项式神经网络对房颤心脏病作辅助诊断。