1.一种基于动态神经元的开放环境模式识别方法，其特征在于，步骤包括：将结构发育型神经网络进行初始化配置并为其中的神经元设置信息饱和度的属性，构建形成所需的结构发育型神经网络模型；获取待识别图像或文本数据流输入至所述结构发育型神经网络模型中进行学习以及分类，输出分类结果，其中所述结构发育型神经网络在结构发育与参数调整时，根据获胜神经元的信息饱和度调控神经元参数以及分裂时机，并不断调整竞争获胜神经元的信息饱和度，所述信息饱和度根据神经元获胜频次以及信息承载量计算得到，当神经元的所述信息饱和度达到预设饱和阈值时分裂出新的神经元；所述结构发育型神经网络包括输入层和竞争层，所述输入层用于传递样本特征，所述竞争层接收到所述输入层传入的样本特征后，进行神经元的覆盖域检测，即只有覆盖输入样本的局部神经元发生响应；进入竞争学习阶段时，即发生响应的神经元之间相互竞争，激活响应值最大的神经元，即得到获胜神经元，更新获胜神经元的所述信息饱和度，如果所述信息饱和度未达到饱和，则将对应神经元进行中心矢量的调整，输出获胜神经元的索引；如果所述信息饱和度达到饱和，则对应神经元分裂生成新的神经元，输出新神经元的索引；根据网络的输出、对应神经元所在的聚类数层数以及聚类层参数给当前输入样本附上标签，完成聚类。
2.根据权利要求1所述的基于动态神经元的开放环境模式识别方法，其特征在于，所述进行神经元的覆盖域检测时，如果输入信号 与神经元 的中心矢量 之间的距离 ，则判定输入信号 有被神经元 表示的可能性，神经元 发生响应；如果输入数据流没有落入任何一个神经元的覆盖域中，即当前输出层没有能够表示该输入的神经元，直接以当前输入信号为中心矢量生成一个新的神经元。
3.根据权利要求2所述基于动态神经元的开放环境模式识别方法，其特征在于，将新生成神经元进行初始化配置时，将新神经元 的覆盖域参数 和覆盖域半径 具体设置为：其中， 为新神经元 的中心矢量， 为新神经元 的父元的中心矢量， 为距离函数。
4.根据权利要求1所述的基于动态神经元的开放环境模式识别方法，其特征在于，采用高斯型函数作为结构发育型神经网络中神经元的响应函数，即如果新增输入信号 落在了神经元 的覆盖域内，则神经元 对输入信号 的响应为：其中， 为高斯型函数的均值且为神经元 的中心矢量， 为神经元 的覆盖域参数， 为计算输入信号与神经元中心矢量的距离函数。
5.根据权利要求4所述的基于动态神经元的开放环境模式识别方法，其特征在于，所述竞争学习阶段时，局部响应最大的神经元获胜，按照下式得到获胜神经元的下标 ：其中， 是覆盖域涵盖输入信号 的神经元的下标集合。
6.根据权利要求1~5中任意一项所述的基于动态神经元的开放环境模式识别方法，其特征在于，所述结构发育型神经网络中，每一棵树的根节点为根神经元，且为层次聚类的第1层，根神经元的子神经元为第2层，依此类推；所在层数小于聚类层数 的每个成熟的神经元都代表一个类，类别标记为神经元下标，中心矢量作为类的原型，未成熟的神经元以及所在层数大于 的神经元的类别标记直接继承父元标记。
7.根据权利要求1~5中任意一项所述的基于动态神经元的开放环境模式识别方法，其特征在于，获胜神经元 关于输入信号 的信息饱和度的变化量 根据输入样本 与获胜神经元 的相似度计算得到，即：其中， 为约束系数且取值为 ， 为信息饱和度重置阈值。
8.根据权利要求1~5中任意一项所述的基于动态神经元的开放环境模式识别方法，其特征在于，所述结构发育型神经网络模型中，如果神经元的信息饱和度没有达到饱和，输出获胜神经元的索引 k ，并更新获胜神经元的中心矢量，以使得朝着输入数据移动，所述中心矢量具体按下式更新：其中， 为更新后的中心矢量， 为更新前的中心矢量， 为获胜神经元 关于输入信号 的信息饱和度的变化量， 为更新后的信息饱和度。
9.根据权利要求1~5中任意一项所述的基于动态神经元的开放环境模式识别方法，其特征在于，所述结构发育型神经网络模型中还设置有母元，竞争层由所述母元开始发育，并配置所述母元的中心矢量为样本空间的原点、覆盖域参数为正无穷以及通过配置信息饱和度使得处于饱和状态。
