小波神经网络是结合小波变换理论与人工神经网络的思想而构造的一种新的神经网络模型,它结合了小波变换良好的时频局域化性质及神经网络的自学习功能,具有较强的逼近能力和容错能力,在处理复杂非线性、不确定、不确知系统等问题上表现出优于传统前向神经网络的收敛速度、容错能力、预报效果,具有广泛的应用前景。本文主要对小波神经网络的学习算法、参数初始化、小波基函数及结构设计方法进行了研究,设计一个性能优良的控制器。针对小波神经网络映射学习时容易产生“维数灾难”问题,提出了一种分级小波神经网络结构,由于传统小波神经网络应用误差反向传播算法选择参数具有依据不足的缺点,应用遗传算法对小波神经网络进行参数优化。本文充分发挥小波神经网络良好的时频域局域化、自学习能力和遗传算法的全局搜索能力,提出了一种有效的学习训练途径,首先应用遗传算法优化网络的初始参数,当误差不再明显变化时应用小波神经网络学习算法进行训练。在采用共轭梯度算法时,由于搜索方向和步长计算存在误差,使得产生的各搜索方向不能保证相互共轭,故对该算法进行改进,即在线性搜索时加上区间定位和区间缩小来尽快找到极小点。在众多的小波函数中,小波基的选取没有一个最优准则,本文分别采用DOG(Difference of Gaussian)小波、Morlet小波、Mexihat小波、Shannon小波作为小波神经网络的小波基函数,对它们的应用效果进行比较。采用二级倒立摆系统为被控对象,进行了仿真研究,验证了小波神经网络控制器的有效性,控制器具有很强的抗干扰能力。