در این پایان نامه، از مدل شبکه ی عصبی موجک (wnn) برای پیش بینی دانسیته ی کتون ها در محدوده ی وسیعی از دما و فشار استفاده شده است. در ابتدا مدل شبکه ی عصبی موجک با دو متغیر دما، فشار و توصیف کننده هایی برمبنای روش سهم گروه شامل تعداد گروه های متیل، متیلن، متین وگروه عاملی کربونیل برای هر یک از کتون ها طراحی گردید. سپس جهت به کارگیری شبکه ی عصبی موجک برنامه ای رایانه ای در محـیط برنامه نویسی matlab نوشته شد. با آموزش هر یک از شبکه ها پارامترهای ممنتم، سرعت آموزش، تعداد نرون های لایه ی مخفی و تعداد دور آموزش به صورت هم‎زمان بهینه‎سازی گردید. کارایی شبکه های بهینه شده با ترسیم نمودار مقادیر تجربی دانسیته در مقابل مقادیر به دست آمده از آن ها برای دو سری پیش بینی و تائید مورد ارزیابی قرار گرفت. نتایج حاصل از این نمودارها کارایی مطلوب شبکه را تائید می کند. در پیش بینی دانسیته این شبکه ها متوسط درصد خطای نسبی کمتر از 3/1% می باشد. در مرحله ی بعد برای ایجاد یک شبکه ی عصبی جامع ابتدا طبق روش فوق شبکه ای برای پیش بینی هم زمان دانسیته ی دو ترکیب 2-بوتانون و 2-پنتانون طراحی و بهینه سازی گردید که در این مورد نیز نتـیجه ی مطلوبی به دست آمد. به طوری‎که متوسـط درصد خطای نسبی در پیش بینی دانسیته برای این ترکیبات کمتر از60/0% می‎باشد. پس از به‎دست آوردن نتایج مطلوب با استفاده از مدل بهینه شده، شبکه ی عصبی موجک جامع برای پیش بینی دانسیته ی همه ی کتون ها با 6 توصیف کننده شامل دما، فشار و تعداد گروه متیل، متیلن، متین و گروه عاملی کربونیل طراحی و بهینه گردید که متوسط درصد خطای نسبی این شبکه برای پیش بینی دانسیته ی همه ی کتون ها کمتر از 05/1% و ماکزیمم درصد خطای نسبی کمتر از 95/1% می باشد. به علاوه، کارایی مدل بهینه شده با ترسیم نمودار مقادیر تجربی برحسب مقادیر به‎دست آمده از مدل برای دو سری پیش بینی و تائید ارزیابی گردید که ضریب همبستگی بیشتر از 99/0 نشان دهنده ی کارایی مطلوب مدل بهینه شده می باشد.