回复：Jeff hawkins的Numenta的研究成果BAM

3.2.4 非精确匹配
当我们采用精确匹配时，也就是阈值与向量基数相等时，即使是单独的一个比特的噪声在任何一个SDRs中都会导致漏报，从而无法识别匹配的模式。一般来说，如果我们想要一个系统能容纳噪声的输入。也就是，我们几乎不会采取精确匹配。降低阈值能够让我们完成非精确匹配，能够减少对噪声的敏感性。例如，考虑SDR向量x和x’,x’是x在噪声下的表现。当w=40,阈值降低到20时，噪声能够达到50%于向量基数，依旧能够使得x’与x相匹配。

当然降低阈值会导致错误匹配可能性增加。权衡于这些参数是必定的，当我们想要降低错误匹配的同时增加抗噪性。

来直观的认识楼上的公式，假设n=1024,w=4,阈值=2,相当于50%噪声容纳，那么此时错误匹配的概率是1/14587.这个概率很大了。如果w和阈值分别增加到20和10，错误匹配的概率显著的减少到小于10的13次方!因此，相对适度地增加w和阈值，并且保持n不变，SDRs能够基本上完美地抵抗50%的噪声。图5展示了这个HTM值的实际应用。

实际的参数，它是明确的SDR提供了最小概率的犯错可能。抽样和不精确匹配的特性允许我们将SDRs作为一种可靠的分类机理，这将在下一节讨论。

考虑这个例子，n=64,w=3对所有向量。如果阈值为2，10个向量将被存在你的集合里，错误率将会是1/22。增加w到12，阈值到8，保持阈值/w=2/3的比例，错误率将降为1/2263.现在增加参数到更实际的值：n=1024,w=21,阈值=14(换句话，阈值/w=2/3)。这时错误率垂直降到了1/1e20.实际上，用这些参数存储一个上十亿的向量集将只会是1/1e12的错误率!

结果表明了SDRs的卓越特性。给定一个巨大的模式集合用SDRs编码，并存成一列。大量的这些模式能够被近乎完美地取回，即使有大量噪声存在。SDR的主要参数n,w和t需要足够大。就像上面例子，当n=64,w=3时，你的SDR将无法拥有这些卓越的特性。

3.2.7 稀疏表征的并集
一个SDRs的最吸引人的特性是能够可靠地存储一组模式，使用一个单一固定的表达，所有向量的以或运算集成。我们称之为并属性。想要存储一组向量，并机制就是简单的所有向量的逻辑或，得到一个新向量X，并以此来确定一个新的SDRy是否是集合的一个成员，我们只需计算match(X,y)。