在对大规模科学数据进行处理时,往往会因为其具有规模大、特征复杂的特点,使得理解、分析这些科学数据,并从中获取知识变得十分困难,由此科学数据挖掘势在必行。本项目主要研究适合于大规模科学数据挖掘的神经网络理论和应用。特别深入研究以独立分量分析(ICA)为主的降维技术、以小波神经网络为主的压缩降噪技术解决科学数据特征复杂不便识别的问题;以同网格结合的神经网络、自适应多级自组织特征映射网络为主的分类、聚类技术解决科学数据挖掘中的大规模知识发现问题。提出了面向特殊应用——分子动力学数据模拟的神经网络模型,特别是研究针对科学数据分类、聚类和模式提取问题的神经网络应用。建立实用的科学数据挖掘系统,为从大规模数值模拟数据中提取有价值的信息提供有效的新方法。本文以自组织映射网络为主要研究对象,描述了自组织映射网络的基本模型。在传统自组织映射网络的基础上,提出了基于自增长型多级自组织映射网络的模式识别方法,能够解决传统自组织映射网的静态结构带来的诸多问题,如在进行训练前必须预先确定网络的模型和神经元数目及其排列方式,若一次分类不准确将严重影响分析结果,等等。而且这种多级结构,还能将输入数据中存在的分级信息直观的表示出来,对于高纬数据的分析尤其有利,因此自增长型多级自组织映射网络对大规模模式识别的研究一定会产生极大的促进作用。