·2 智能系统学 报 第11卷 佳分类划分，代表性方法有Fisher判别分析2]、支撑 并且学习某类时不需要负样本（非此类或他类样 向量机(SVM)[]等。这些方法解决了很多问题，并 本)参加训练，学习新类时不需要重新学习已知类 在多个领域得到了成功应用，为科学发展和社会进 即不会影响原有已经学习好的知识： 步做出了巨大贡献，但这些传统方法也存在一些固 3)仿生模式识别在低训练样本数量情况下仍 有的缺陷：1)对事物进行学习时通常至少需要两类 能获得较高的正确识别率，这得益于引入了“同源 才可进行“区分”，例如在人脸检测中，学习的任务 连续性规律“的先验知识，因而有效的信息不再局 仅是人脸这一个类别，但在训练分类器时，分类器需 限于训练样本。低训练样本数、高识别率的特点，更 要学习“人脸”和“非人脸”两种类型；2)已训练好的 适合一些不易获取大量训练样本的特殊场合下的识 分类器类别之间的最优分类边界是确定的，若要增 别任务。 加学习新类，则需要重新训练分类器，这将会打乱现 仿生模式识别由于其独特的优点，在国内逐渐 有知识（最优分类边界改变）：3)未经训练类别的样 受到关注，越来越多的研究机构加入研究队伍，从理 本很容易被误认为是已训练的某一类，分类器不能 论、方法以及应用等多方面开展研究，这些研究机构 有效对其进行正确拒识，这是由于分类边界只是将 包括中科院半导体研究所、同济大学、中国农业大 ·个无限特征空间划分为多个无限空间。 学、浙江工业大学、厦门大学、深圳大学、中科院苏州 中国科学院半导体研究所王守觉院士通过分析 纳米技术与纳米仿生研究所、长沙理工大学、合肥工 人类认识事物的特点，提出了一种全新思想的模式 业大学、吉林大学、西安电子科技大学等众多高校和 识别方法一仿生模式识别(biomimetic pattern rec- 研究机构。仿生模式识别的研究成果不断涌现，先 ognition,BPR)。仿生模式识别认为，事物具有 后用于目标识别、生物特征识别、信号处理、医学图 “同源连续性规律”，即同类事物的两个不同样本之 像识别、基因预测和近红外定性分析，涉及机器视 间，至少有一个渐变过程，在这个渐变过程中的所有 觉、安防、农业、生物医学、通信以及互联网等众多领 样本仍属于该类：也可以这样认为：同类样本在特征 域，获得了有益的效果。2002年迄今，在国内学术 空间中是连续分布的，任意两个样本点之间具有某 期刊发表的与仿生模式识别直接相关的论文有80 种连续变化的关系。“同源连续性规律”是现实中 余篇，相关的国内硕士和博士学位论文30余篇，在 人类直观认识世界的普遍存在的规律，同时也是仿 国际期刊和会议上发表的论文40篇左右，此外，还 生模式识别方法用于提高对事物的识别能力的“先 有3本专著出版[s刃。 验知识”。引入“同源连续性规律”后，研究仿生模 仿生模式识别是我国自主创新的方法与技术， 式识别如何对某类事物进行学习，就是研究在高维 从提出至今，已有十多年的发展，但目前还没有对该 特征空间中如何对该类样本进行最优连续“覆盖” 技术的全面总结。本文旨在对仿生模式识别进行全 (即对一类样本的“识”)：它不同于传统模式识别方 面的综述。首先介绍仿生模式识别的基本原理，再 法侧重于“别”，即如何在高维特征空间中对不同类 对仿生模式识别的实现方法进行分析和对比研究 样本进行最优“划分”。可见，在特征空间中对某一 并给出了仿生模式识别在多个应用领域的使用效 类样本的分布进行最优覆盖是仿生模式识别的首要 果，最后探讨仿生模式识别的未来研究方向，希望能 目标，覆盖后在特征空间中形成的连续、闭合的复杂 够为该方法的进一步发展和实际应用提供参考。 几何形体区域赋予该类的属性：则仿生模式识别的 1 仿生模式识别的基本原理 识别过程就是判断特征空间中待识别样本点是否落 入此几何形体内。若是，则该样本点属于此几何形 1.1仿生模式识别的基点一“同源连续性”规律 体所代表的类别；否则认为不属于该类。仿生模式 仿生模式识别把同一类事物称为“同源”，这里 识别于2002年被提出后，被迅速应用到多种识别任 所谓的“同一类”是指在源头或原理上是相同的一 务中，获得了有效的识别结果，并展现出独特的 类，而不是拼凑或合并而成的同一类。例如，在手写 优势： 体汉字识别中，同为简体汉字的手写体认为是同源 1)仿生模式识别既能够“识”，又能够“别”，对 的：如果手写体汉字中包含了简体和繁体两种字体， 于没有训练过的样本，不会将其错误归为已训练样 “简体”和“繁体”是不同源的，则认为是简体和繁体 本中的某一类，而是能够将其正确拒识，实际应用中 两类事物的归并。后文所提到的同类，若无特别说 误识率非常低： 明，都是指“同源”同类。依据上述“同源”的定义， 2)仿生模式识别可以不断学习新事物（类别）， 同类样本之间有如下“同源连续性”规律：佳分类划分，代表性方法有 Ｆｉｓｈｅｒ 判别分析［２］ 、支撑 向量机（ＳＶＭ） ［３］等。 这些方法解决了很多问题，并 在多个领域得到了成功应用，为科学发展和社会进 步做出了巨大贡献，但这些传统方法也存在一些固 有的缺陷：１）对事物进行学习时通常至少需要两类 才可进行“区分”，例如在人脸检测中，学习的任务 仅是人脸这一个类别，但在训练分类器时，分类器需 要学习“人脸”和“非人脸”两种类型；２）已训练好的 分类器类别之间的最优分类边界是确定的，若要增 加学习新类，则需要重新训练分类器，这将会打乱现 有知识（最优分类边界改变）；３）未经训练类别的样 本很容易被误认为是已训练的某一类，分类器不能 有效对其进行正确拒识，这是由于分类边界只是将 一个无限特征空间划分为多个无限空间。 中国科学院半导体研究所王守觉院士通过分析 人类认识事物的特点，提出了一种全新思想的模式 识别方法———仿生模式识别（ｂｉｏｍｉｍｅｔｉｃ ｐａｔｔｅｒｎ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ，ＢＰＲ） ［４］ 。 仿生模式识别认为，事物具有 “同源连续性规律”，即同类事物的两个不同样本之 间，至少有一个渐变过程，在这个渐变过程中的所有 样本仍属于该类；也可以这样认为：同类样本在特征 空间中是连续分布的，任意两个样本点之间具有某 种连续变化的关系。 “同源连续性规律” 是现实中 人类直观认识世界的普遍存在的规律，同时也是仿 生模式识别方法用于提高对事物的识别能力的“先 验知识”。 引入“同源连续性规律” 后，研究仿生模 式识别如何对某类事物进行学习，就是研究在高维 特征空间中如何对该类样本进行最优连续“覆盖” （即对一类样本的“识”）；它不同于传统模式识别方 法侧重于“别”，即如何在高维特征空间中对不同类 样本进行最优“划分”。 可见，在特征空间中对某一 类样本的分布进行最优覆盖是仿生模式识别的首要 目标，覆盖后在特征空间中形成的连续、闭合的复杂 几何形体区域赋予该类的属性；则仿生模式识别的 识别过程就是判断特征空间中待识别样本点是否落 入此几何形体内。 若是，则该样本点属于此几何形 体所代表的类别；否则认为不属于该类。 仿生模式 识别于 ２００２ 年被提出后，被迅速应用到多种识别任 务中，获得了有效的识别结果， 并展现出独特的 优势： １）仿生模式识别既能够“识”，又能够“别”，对 于没有训练过的样本，不会将其错误归为已训练样 本中的某一类，而是能够将其正确拒识，实际应用中 误识率非常低； ２）仿生模式识别可以不断学习新事物（类别）， 并且学习某类时不需要负样本（非此类或他类样 本）参加训练，学习新类时不需要重新学习已知类， 即不会影响原有已经学习好的知识； ３）仿生模式识别在低训练样本数量情况下仍 能获得较高的正确识别率，这得益于引入了“同源 连续性规律“的先验知识，因而有效的信息不再局 限于训练样本。 低训练样本数、高识别率的特点，更 适合一些不易获取大量训练样本的特殊场合下的识 别任务。 仿生模式识别由于其独特的优点，在国内逐渐 受到关注，越来越多的研究机构加入研究队伍，从理 论、方法以及应用等多方面开展研究，这些研究机构 包括中科院半导体研究所、同济大学、中国农业大 学、浙江工业大学、厦门大学、深圳大学、中科院苏州 纳米技术与纳米仿生研究所、长沙理工大学、合肥工 业大学、吉林大学、西安电子科技大学等众多高校和 研究机构。 仿生模式识别的研究成果不断涌现，先 后用于目标识别、生物特征识别、信号处理、医学图 像识别、基因预测和近红外定性分析，涉及机器视 觉、安防、农业、生物医学、通信以及互联网等众多领 域，获得了有益的效果。 ２００２ 年迄今，在国内学术 期刊发表的与仿生模式识别直接相关的论文有 ８０ 余篇，相关的国内硕士和博士学位论文 ３０ 余篇，在 国际期刊和会议上发表的论文 ４０ 篇左右，此外，还 有 ３ 本专著出版［５⁃７］ 。 仿生模式识别是我国自主创新的方法与技术， 从提出至今，已有十多年的发展，但目前还没有对该 技术的全面总结。 本文旨在对仿生模式识别进行全 面的综述。 首先介绍仿生模式识别的基本原理，再 对仿生模式识别的实现方法进行分析和对比研究， 并给出了仿生模式识别在多个应用领域的使用效 果，最后探讨仿生模式识别的未来研究方向，希望能 够为该方法的进一步发展和实际应用提供参考。 １ 仿生模式识别的基本原理 １．１ 仿生模式识别的基点———“同源连续性”规律 仿生模式识别把同一类事物称为“同源”，这里 所谓的“同一类”是指在源头或原理上是相同的一 类，而不是拼凑或合并而成的同一类。 例如，在手写 体汉字识别中，同为简体汉字的手写体认为是同源 的；如果手写体汉字中包含了简体和繁体两种字体， “简体”和“繁体”是不同源的，则认为是简体和繁体 两类事物的归并。 后文所提到的同类，若无特别说 明，都是指“同源”同类。 依据上述“同源”的定义， 同类样本之间有如下 “同源连续性”规律： ·２· 智 能 系 统 学 报 第 １１ 卷