Yapay sinir ağları, aralarında yüksek derecede bağlılık olan çok sayıda işlem birimi kullanarak büyük hızları sağlamaktadır. Ağ parametreleri, ağı bir denge noktasına yaklaştıracak şekilde hesaplanır. Bu makalenin amacı, altörüntü kodlama kullanarak karakter tanımaya, biyolojiden esinlenen ve hesaplama yükü az olan yeni bir yaklaşım getirmektir. Her karakter, altörüntülere karşı düşen farklı boyutlu bir çok bölgeye bölünür. Bütün olarak ele alındığında karakter örüntüleri arasındaki benzerlik zayıf olmakla birlikte, bunların altörüntüleri arasında büyük benzerliklerin olduğu yaygın bir gerçektir. Eğer çeşitli karakterlerin altörüntûlerinin benzerliği belirli bir değerin üstünde ise bunlara karakter kodun aynı parçası atanır ve sinirde yalnız bir kere saklanır. Kendine özgü bir kod parçası ile birlikte saklanan altörüntüye "yaprak" adı verilir. Benzerliğin olması yaprak verisi için saklama gereksimini ve test süresini azaltır. Test esnasında, karakter altörüntüleri yerine karakter örüntülerini gösteren bir kod, bir cins çağrışımlı bellekte tutulan yapraklardan alınarak ağ çıkışına taşınır.

Artificial neural networks can achieve high computation rates by using a large number of processing units with a high degree of connectivity between them. Network parameters are computed in such a way that they cause the network to converge to an equilibrium representing a solution. The aim of this paper is to give a novel biologically motivated, computationally efficient approach to character recognition using subpattern coding. Each character is decomposed into a number of different sizes of regions corresponding to subpatterns. While similarity between the character patterns considered as a whole is usually weak, it is commonly possible to obtain a great deal of similarity between their subpatterns. If similarity of subpatterns of various characters is greater than a certain level, they are assigned the same portion of character code and stored only once in a neuron. The stored subpattern together with the respective code portion is called a leaf. This similarity reduces the storage requirement for the leaf data and the testing time. During testing, the code representing a character pattern is retrieved instead of the character subpatterns which are distributed all over the leaves kept in an associative memory.