仿生模式识别方法及应用的研究+文献综述(6)
多年来，在模式识别的发展历程中，统计模式识别长期占据主流，是最有影响、应用范围最广的一种方法。然而，世界如此之大，事物缤纷错杂，目前的统计模式识别理论还不足以解决所有问题，需要不断优化提高。
20世纪30年代，Fisher提出的判别分析就是利用已知的两类向量的概率分布函数来设计将两类向量分开的决策规则的问题。随即在统计模式识别问世以后，一提到模式识别人们就想当然的认为要达到选择使平均风险达到最小的目的。因此，事实上划分类别问题与统计判别理论已经并无差别。在多年的研究过程中，人们思考问题的大体思路总是在于类别的最佳划分上，传统模式识别具有这样一种观点，就是同类样本间各自独立，并不存在任何先验知识，训练样本集中储存着一切信息，因而，要想实现识别就必须考虑在特征空间中对不同类别样本进行划分。最终达到在特征空间中对某些有限类样本做最优分类划分，或者是把某一类样本和有限类已知的样本加以区分。然而这种思想所得到的效果并不理想。
不难发现，其本质原因无非有两点：一是数学模型，一方面传统模式识别把贝叶斯统计理论作为最基本的理论，其收敛条件是经验风险最小化，这样就要求输入非常多的样本才能得到准确的结果；这样一来，数量急剧增长使得人类对其概率密度函数的估计愈加困难，这与概率统计识别所要求的精准无疑是背道而驰的。
在我们仔细研究了人类是如何认识事物的之后发现，人类确实不是通过“区分”的方法来认识事物的。假设我们要认识一件新事物，实际上我们并不会按照传统模式识别所认为的“区分”，把它和自己认识的作比较，从而确定和哪一个最为接近。相反，我们会有一个直接的判断“我不认识这个事物”。人类认识事物的方式和传统模式识别的根本区别正在于通过获取新知识来增加对事物的认识。
传统模式识别只注重“区分”，而忽略了“认识”，这便是它的局限性，这也同时导致了它存在以下三点不足：首先，传统模式识别要求具有非常多的训练样本来完成分类决策，这将耗费大量的人力物力，同时分类识别效率也会有所下降；其次，传统模式识别在碰见从未见过的事物时，它会勉为其难的将其归入到所认识的某一类当中，从而发生错误；最后，对于即将认识的新事物进行学习时，这种新的知识会对已存在旧知识产生干扰，即原本认识的事物在学习了新事物之后也可能变得不认识了，也就是说，一旦输入新样本，则整个训练过程都要重新来过。这就显得过分死板，不够灵活，更不适合实际应用。
充分认识到传统模式识别的不足以后，就更加促使我们探索钻研人类认识事物的本质。在人的思文过程中，主要有逻辑思文方式和形象思文方式，而人类比机器高明的正是能够运用形象思文方式去感知事物，若要实现真正意义上的模式识别，使机器拥有感知能力，就需要我们从人类认识事物的本质出发，这样才能有所突破。
2.6 本章小结
作为人工智能的非常重要的分支，模式识别在我们的日常生活中有着不可或缺的作用。本章简单介绍了模式识别的概况、基本概念、系统构成以及分类方法，归纳总结了传统模式识别的不足，反映了新的模式识别理论出现的迫切性。
3 仿生模式识别
2002年，中国科学院院士王守觉在总结前人的理论基础上，通过自己的研究分析，提出了一种全新的模式识别理论——仿生模式识别。这种识别方式不同于以往的以“区分”为基础的模式识别理论，它强调“认识”事物为基础，之后他又提出通过“多权值神经元网络”加以实现。目前，仿生模式识别理论正在积极发展，并初具成效。
上一篇：基于旋律的音乐检索系统设计与实现