摘要:仿生模式识别(BPR)与Fisher的基于“划分”的模式识别理论不同,它足一种基于“认识”rn 的模式识别方法。仿生模式识别通过使用一些复杂的几何形体对同源样本在高维空间中分布的覆盖来完成对事物的认识。这种覆盖方法强调了同源样本间的连续性,而不是Fisher理论休系所强调的不同类样本间的差异。本文中提出了一种超香肠型的覆盖单元,它可以很好地覆盖同源样本的分布形状,并减少覆盖到其它异类样奉的可能性。实验证明,实验证明,在保证系统的错误率为O的情况下,仿生模式识别的正确识别率要优于RBF核支撑向量机的结果。