تعیین خواص مکانیکی به منظور طراحی و ساخت ادوات و ماشینهای مورد نیاز برای مراحل مختلف پس از برداشت، فرآوری و بسته‌بندی محصولات لازم می‌باشد. شبکه‌ عصبی به عنوان یکی از مولفه‌های اصلی هوش محاسباتی از خواص مهمی بوده و تبدیل موجک باعث افزایش دقت مدل می گردد. بدین منظور جهت پیش ‍‌بینی خواص مکانیکی مغز بادام ابتدا در این تحقیق در وضعیت قرارگیری افقی بادام، نیروی شکست شبه استاتیکی مغز سه رقم بادام به نام‌های مامایی، ربیع و شاهرود دوازده در سه سطح رطوبتی (?/?%، ??% و ??% بر پایه تر) و سه سرعت بارگذاری (?، ?? و ?? میلیمتر بر دقیقه) تعیین و بررسی گردید. در بخش شبکه عصبی پارامترهای ورودی شامل سه سطح رطوبت و سه سطح سرعت به عنوان متغیر مستقل وارد مدل گردید. متغیرهای نیروی شکست، انرژی مصرفی و مدول الاستیسیته به عنوان متغیرهای وابسته خروجی مدل‌ در نظر گرفته شد که برای دقت بیش تر ابتدا موجک های مختلف مانند Haar، db?، Sym? ، Coif? بر روی این داده ها اعمال گردید. برای ارزیابی دقت مدل از معیار R استفاده شد. نتایج ارزیابی متقابل حاکی از برتری موجک Coif? بود. در این الگوریتم از یک شبکه پیشخور با الگوریتم لونبرگ مارکوات با تابع تانژانت سیگموئید در لایه پنهان و تابع خطی در لایه خروجی استفاده گردید. نتایج حاصل، دقت بالای شبکه عصبی-موجک را نشان می‌دهد. برای رقم مامایی شبکه عصبی با آرایش ?-?-? با ????/?=R ، آرایش ?-?-? با ????/?=R و آرایش ?-?-? با ????/?=R بهترین پیش بینی را برای مدول الاستیسیته، نیروی شکست و انرژی مصرفی داشت.