|
现代高速计算机的计算速度比全人类大脑的总和还要快上百倍！然而，一个还没上幼儿园的小孩，能听懂客人的谈话，能辨别出人们喜怒哀乐的情绪；凡此种种，计算机很难做到。这是为什么？
信息技术把人们带进了数字化时代。在数字化时代里无论是一幅图像，一句话，一个决定等，所有非物质的信息都可转化成为一大堆数字。对这一大堆数字如何分析研究和处理是未来信息发展的主要问题，也是克服计算机智商低的核心问题。
信息科学家、中科院院士王守觉近年提出了一种分析、研究这一组一组数字的新方法；高维空间几何概念与代数精确计算相结合的高维空间点分布分析方法；实际应用于模式识别取得优异效果，并依此提出了一种效果明显优于传统模式识别的“仿生模式识别”和有关的三项发明专利。
王守觉认为如果把每个数字看作一个坐标值，把一组数字看作高维空间的一个点，则各种信息的识别、分析和处理等问题，都可以对应到高维空间点分布的分析研究问题；而用高维空间点分布的几何概念与精确数字计算相结合，可大大有利于对高维空间点分布的分析和研究发展新思路创建新算法、新模型。
王守觉用高维空间点分布分析方法首先应用于模式识别问题。他从高维空间点分布分析出发。提出了以在特征空间中“认识”点分布形态的“仿生模式识别”取代常规模式识别取得了十分优异的实际效果。以对多种刚体实物模型作识别目标的全方位识别问题作实际考核实例，以国际上新发展被公认处优势地位的支撑向量机（SVM）识别方法做比较对象，比较结果说明，在采集样本总数较多的情况下，仿生模式识别效果比支撑向量机好得多；而在采集样本总数较少时，仿生模式识别效果远优于支撑向量机效果，这一结果以及仿生模式识别的基本原理已被国际神经网络联合会创始人之一、美籍华裔教授斯华龄作为快讯刊登于最近的国际神经网络杂志。以ORL人脸库作人脸识别效果做比较，仿生模式识别的识别效果也大大优于支撑向量机。为扩大应用范围，他们已把仿生模式识别算法编制成通用软件提供同行们使用。
|
