时序数据普遍存在于医学、航天、金融、商业、气象、工业等方面。时序数据的分类和回归目前在金融、娱乐、医学以及工业等领域都有广泛的应用。小波变换是一种基于多分辨率分析的方法,它不仅可以将输入数据分解到不同尺度空间,同时还在不同尺度空间具有很好的时频分解特性。因此,小波变换可以在多种尺度和频率上提取显著特征,在处理时序信号问题上有很大的优势。本文提出了基于快速小波变换的处理时序数据的分类和回归算法。该算法主要包括两个模块:输入数据的多尺度表达和组合模块、WTNN模块。第一模块可以得到输入数据的多尺度表达,第二模块中WTNN模块又分为时序数据的特征映射子模块、分类(回归)器子模块,这两个子模块集成在一个单隐层神经网络中。在第一个子模块中,采用小波变换提取前后时序信号的多尺度、多频率的显著特征,这样的特征对后续的分类或者回归更有利。此外,原始的小波变换需要对不同的尺度、不同的基函数分别进行离散化,参数较多、过程繁琐;而快速小波变换方便不同的尺度、不同的频率以及不同的基函数下的小波变换的离散化和实施,使得离散化和基函数的设计都更灵活。在小波变换中,基函数的形状对于小波滤波和尺度滤波起到重要作用。基于神经元权重随机分配的思想,本文提出随机生成基函数,不仅体现了神经元之间连接的随机性,而且实现了基函数形状的多样性,从而可以在大量随机的尺度和频率段上提取显著特征。为了实现输入信号的多尺度,本文中将原始时间尺度的属性划分成不同的时间尺度,然后将不同的时间尺度进行线性组合,这些不同的线性组合分别作为输入。第二子模块中,目标函数最小化训练误差和输出权重的模,从而提高输入权重训练的泛化能力。综上所述,这样的网络不仅能能够有效处理时序信号,而且具有泛化能力强、学习速度快等优点。本论文将上述算法应用于太阳能数据和UCI中的时序数据集进行验证。实验表明,太阳能数据中,多尺度输入向量得到的最小预测误差为24.5548(kW),远远小于对比方法的误差。在UCI数据集中Drift高出对比方法近十个百分点,Occupany最大精度为98.88%,也远远高于对比方法的精度。实验结果表明,采用基于小波变换的神经网络进行分类和回归具有更高的识别精度或者更小的误差,本论文提出的算法性能更好、更稳定。