预测是根据过去和现在的情况,对未来的发展做出预见性的判断。预测对于科学研究有着重要的意义。预测的基础就在于对历史数据的处理。计算机技术的出现,为迅速收集和处理历史数据提供了有力的工具。但是,人们也遇到了极大的难题,那就是面对成百上千兆的数据,人们无从下手。90年代初人们提出数据挖掘技术来处理海量的数据,提取信息,数据挖掘得到了越来越广泛的应用。数据挖掘的任务是从数据中发现模式。模式有很多种,按功能可分有两大类:预测型模式和描述型模式:预测型模式是可以根据数据项的值精确确定某种结果的模式;描述型模式是对数据中存在的规则做一种描述,或者根据数据的相似性把数据分组。因此,数据挖掘的功能大致可以分为两类:对现在的描述和对未来的预测。而对现在准确的描述,正是对未来精确预测的基础,甚至可以说,数据挖掘的功能就是预测。当前,数据挖掘的研究已经形成了热点,在数据挖掘中综合运用了各学科的技术,它不仅涉及统计学原理,而且包括数据库管理,人工智能,机器学习,模式识别,以及数据可视化等学科。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。本文从理论、算法及应用三个层面讨论了神经网络预测理论在科学数据挖掘中的应用。在科学计算领域中,随着高性能计算机的发展和并行计算方法的实现,科学仿真程序产生了海量的数值模拟计算数据,很容易突破GB级的规模,达到TB甚至PB级,其存储是个亟待解决的问题。本文针对项目中的强激光与等离子体相互作用的三维数值模拟程序的数据输出瓶颈问题,选用专业的科学数据管理软件HDF5进行数据的管理,并且通过HDF5提供的API接口调用压缩库zlib,在输出数据的同时选用合适的压缩算法进行实时的压缩存储。如何在可用的几种压缩算法中选择能使当前时间步输出数据达到最好压缩比的算法进行压缩,从而获得较好的空间存储效率。本文使用神经网络技术来预测,并编制相应的软件,实现对科学仿真程序的压缩比预测。