自组织特征映射网络由Teuvo Kohonen教授在20世纪80年代提出,它是模拟脑细胞的这种自组织特性来实现聚类,识别,排序等。自组织特征映射网络同时具有拓扑保持和向量量化的特点,它是一种有效的,对非紧凑数据进行内容描述的方法。双自组织特征映射网络扩展了原有的自组织特征映射网络,将一般应用于一个数据集的算法用到两个成对的数据集中,使得网络可以执行一种非参数化的CCA。这种新的网络可以被认为是应用于两个相关的数据集的线性技术的扩展。自组织特征映射网络在很多实际应用中取得了成功,但同时也有缺陷,例如,其整个学习过程是在输入样本空间内进行,并以欧式距离为度量,这将导致当输入样本分布结构呈高度非线性时,其分类能力下降。而且它易受噪声点和野值的影响。本文围绕对自组织特征映射网络的合理设计展开工作,主要包括以下几个方面的内容:(1)自组织特征映射网络的鲁棒性研究。针对自组织特征映射网络容易受到高噪声的影响,这里主要是改进网络中的欧式距离,通过使用Voronoi cell的距离来取代网络中的欧式距离,增强了网络的鲁棒性。将改进后的神经网络用于噪声数据的预测实验,其实验结果表明改进后的神经网络具有较强的鲁棒性。(2)自组织特征映射网络的核方法研究。核方法实现了一个从低维输入空间到高维特征空间的映射,从而使输入空间中复杂的样本结构在特征空间中变得简单。而核的灵活性和多样性又可导出不同的距离度量,构建出基于不同度量的分类器,针对不同的问题,选用不同的核函数,使模型具有推广能力。将改进后的神经网络用于金融时间序列的预测,其实验结果表明改进后的神经网络具有较强的预测性能。并且进一步研究了基于马氏距离核方法的双自组织特征映射网络。