模糊系统是一种基于知识或规则的控制系统，从属于智能控制，通过简化系统的复杂性，利用控制法来描述系统变量之间的关系，采用语言式的模糊变量来描述系统，不必对被控对象建立完整的数学模型。相比较传统控制策略，适合对非线性、时变和模型不完全系统进行控制，有着较好的鲁棒性、适应性和不错的容错性。
神经网络可以自适应调整结构参数以应对新的样本输入，使特定输入能够生成相应的期望输出，在模式识别和数据拟合方面表现不错。神经网络具有并行结构，对数据进行并行处理，可以解决控制系统中的大规模实时计算问题。神经网络是基于历史数据进行训练，训练完成的网络具有了归纳能力，可以实现在线的自适应调节。
一般情况下，神经网络不能直接处理结构化的知识，通过大量训练数据，借助自学习过程，使用并行分布结构来估计输入到输出的映射关系。在模糊控制中，隶属度函数及控制规则的固定不适合被控过程的变化，在一定程度上影响了控制效果。在这种情况下，将模糊控制和神经网络结合起来，为模糊系统建立行之有效的决策规则，利用神经网络的自学习和自适应能力，实现模糊控制规则的在线修改和隶属度函数的自动更新，使得模糊控制具有自学习和自适应能力。
鉴于此，采用模糊小波神经网络进行预测研究，运行环境为MATLAB 2018。
function w = wavelet( x, a, b )
%WAVELET 函数
%a不能为0
z = (x - b) / a;
z = z^2; % 此行和下一行使用z来表示z^2
完整代码：https://mbd.pub/o/bread/mbd-ZpWWmpdq
w = (1 - z) * exp(-z/2) / sqrt( abs(a) ); % 使用z来表示z^2
工学博士，担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
