Проаналізовано особливості постановки та підходи до розв'язання задач класифікації для випадків великорозмірних завдань видобутку даних. Надано основи розробленого нейромережного методу розпізнавання та результати його апробації.

Розроблено структуру (включаючи методи навчання та застосування) системи ущільнення даних на підставі нейромереж геометричних перетворень в автоасоціативному режимі їх навчання з поданням вихідних сигналів нейронних елементів прихованого шару у форматі чисел з фіксованою комою. Реалізовано методи додаткового підвищення ефективності нейромережевого ущільнення даних на прикладі зображень. Розроблено й апробовано двоступеневий метод компресії зображень шляхом послідовного застосування автоасоціативної мережі ГП і методів ущільнення без втрат. Розроблено вдосконалений метод ущільнення зображень на підставі їх поділу на фрейми для ШНМ ГП, що забезпечує подальше покращання показників компресії. Доведено універсальність створених нейромережевих методів і засобів ущільнення даних із застосуванням їх до звукових файлів. Проаналізовано ефективність програмних моделей ущільнення зображень і звуку, побудованих на підставі розроблених методів і алгоритмів.

Розглянуто варіант послідовного застосування компресувальної нейронної мережі та методів контекстного моделювання для ефективного ущільнення даних, зокрема зображень та аудіосигналів. Запропонований метод оснований на поданні проміжного архіву зберігання даних у форматі чисел із фіксованою комою та забезпечує покращання характеристики щодо коефіцієнта компресування та якості відтворення первинних даних.

Розроблено метод ущільнення півтонових і кольорових зображень на базі нейроподібних структур моделі геометричних перетворень, що забезпечує представлення скомпресованих даних у форматі чисел із фіксованою комою. Вперше для нейромережних методів ущільнення зображень реалізовано принципову можливість компресії без втрат або з регульованими втратами.

Надано основи методу ущільнення напівтонових і кольорових зображень на базі нейроподібної структури моделі геометричних перетворень (МГП) в автоасоціативному режимі її застосування. Використано властивість автоасоціативних мереж МГП виділяти на виході нейроних елементів прихованого шару Головні Компоненти даних без використання принципу "звуженого горла", що забезпечує принципово нову здатність ущільнювати дані без втрат інформації.