仿生模式識別

它是基於“認識”事物而不是基於“區分”事物為目的。與傳統以“最佳劃分”為目標的統計模式識別相比，它更接近於人類“認識”事物的特性,故稱為“仿生模式識別”。 它的數學方法在於研究特徵空間中樣本集合的拓撲性質,故亦稱作“拓撲模式識別”。
仿生模式識別的基點是特徵空間中同類樣本全體的連續性規律。以數學公式描述為: 特徵空間Rn 中設所有屬於A類事物的全體所做成的點集為A ,若集合A 中存在任意兩個元素x與y,則對ε為任意大於零的值時,必定存在集合B ,使
B={x1,x2,x3,...,xn|x1=x,xn=y,n?N,ρ(xm,x(m+1))<ε,ε>0,n-1≧ m ≧1,m?N},B?A，
其中ρ(xm,x(m+1))為xm到x(m+1)的距離。
在特徵空間Rn 中同類樣本點之間所存在的這個連續性規律是超出了傳統模式識別與學習理論的基本假定的，該假定認為“可用的信息都包含在訓練集中”。但這個連續性規律卻是客觀世界中人類直觀認識範圍的客觀存在的規律；因而也是仿生模式識別中用來作為樣本點分布的“先驗知識”，從而來提高對事物的認識能力。 對一類事物的“認識”，實質上就是對這類事物的全體在特徵空間中形成的無窮點集合的“形狀”的分析和“認識”。
仿生模式識別的理論分析數學工具是點集拓撲學中對高維流形的研究問題。這同傳統的以數理統計為基礎的模式識別顯然在數學工具的基礎上有根本的差別。因此與傳統的統計模式識別相比，把仿生模式識別也稱為拓撲模式識別.
仿生模式識別可用多權值神經網路來實現。