小波神经网络(Wavelet Neural Network,WNN)是基于小波分析理论所构造的一种人工神经网络。小波神经网络应用至今,已经被广泛运用到非线性函数的逼近、信号的分类、动态建模、诊断、预测和估计等研究领域。比如:Zhanyong Wang等将小波神经网络和遗传算法相结合,对一氧化碳浓度和细颗粒物浓度进行精尺度估计。大量研究表明,WNN网络结构的设计决定了网络的性能。在WNN的训练过程中,可能出现隐含层节点冗余或者较少的情况,从而影响WNN的训练效果。此外,在网络学习的过程当中,由于WNN采用了与BP神经网络相同的梯度下降方法,所以在学习的过程中容易出现收敛速度慢、学习过程存在震荡以及容易陷入局部最优的情况。最后,WNN隐含层节点激励函数的选择也直接影响网络训练的精度。为了解决上述关于WNN存在的问题,本文提出了改进的小波神经网络结构优化算法。通过采用本文提出的结构优化算法,能够有效提高WNN的网络性能。此外,本文基于改进的小波神经网络结构优化算法,结合本文提出的脑电数据(EEG)特征提取方法——GA_HM,创建了新的脑电数据分类模型,并运用到脑电数据的分类当中。本文的工作主要包括:(1)提出了一种改进的小波神经网络结构优化算法。首先,激励函数的选择。在Gaige Wang等研究的基础上,构建小波母函数库,选择最合适的函数作为小波神经网络的母函数。其次,隐含层节点的确定。提出一个新的初始隐含层节点确定方法,在训练的过程中采用提出的隐含层节点判别和更新方式,为小波神经网络尽快的找到适合的隐含层节点个数。最后,在训练的过程当中采用改进的附加动量和变学习率的方法,从而加快收敛过程。实验结果表明,改进的WNN结构优化算法能够一定程度提高WNN的网络性能。该算法能够快速的选择合适的激励函数,同时能够快速、有效的找到合适的隐含层节点。再者,能够进一步加快收敛速度,同时在测试集数据中能够得到更小的误差。(2)提出一种新的EEG脑电数据分类模型。针对脑电数据的特点,在本文提出改进的WNN的算法基础上,结合本文提出的GA_HM特征提取方法。首先,采用GA_HM特征提取方法对EEG数据进行特征提取。然后,采用本文提出的改进的小波神经网络结构优化算法进行分类。为了验证GA_HM方法和改进的WNN算法的有效性,采用新的EEG数据分类模型对23位被试的脑电数据进行分类,并且和常用的脑电数据分类算法和特征提取方法进行对比试验。结果表明,本文提出的新的EEG脑电数据分析模型具有更好的分类精度。