稀疏分布式存储器是一个通用的随机存取存储器，用于长的（如1000比特）二进制字。这些字既是存储器的地址，又是存储器的数据。该存储器的主要属性是对相似性的敏感性，这意味着一个字不仅可以通过提供原始写入地址来读回，还可以通过提供与之相近的地址来读回，这可以通过不匹配位的数量（即存储器地址之间的汉明距离）来衡量。SDM使用分布式数据表示和存储实现了从逻辑空间到物理空间的转换，类似于人类内存的编码过程。一个逻辑地址对应的数值被存储到许多物理地址中。这种存储方式是稳健的，不是确定性的。一个存储单元不被直接寻址。如果输入数据（逻辑地址）完全部分损坏，我们仍然可以得到正确的输出数据。存储器的理论在数学上是完整的，并且已经被计算机模拟所验证。它产生于这样的观察：高维空间的点之间的距离与人类记忆中的概念之间的接近关系相似。该理论也很实用，因为基于它的记忆可以用传统的随机存取记忆元素来实现。

人类记忆有一种倾向，即根据记忆之间的相似性（尽管它们可能没有关系）来聚集记忆，稀疏分布式记忆是人类记忆的一种数学表示，它使用高维空间来帮助模拟人类神经网络的大量记忆。这种高维空间的一个重要属性是，两个随机选择的向量彼此之间相对较远，这意味着它们是不相关的。SDM可以被认为是对位置敏感的散列的实现。SDM的基本思想是将巨大的二进制存储器映射到较小的物理位置集，即所谓的硬位置。作为一般准则，这些硬位置应该均匀地分布在虚拟空间中，以尽可能准确地模仿更大的虚拟空间的存在。每个数据都是由一组硬位置分布存储的，并通过对这些位置进行平均检索。因此，召回可能并不完美，准确性取决于存储器的饱和度。Kanerva的建议是基于四个基本想法。维度，表现出类似于人类对概念之间关系的直观概念的属性。这意味着将数据存储为所述空间的点是有意义的，其中每个存储项被存储为一个n位矢量。2.有n个输入的神经元可以作为随机存取存储器的地址解码器3.统一原则：存储到存储器中的数据可以作为同一存储器的地址。两点之间的距离是衡量两个内存项目之间的相似性。

两点越近，存储的向量就越相似4.如果数据被组织成事件序列，时间可以在内存中被追踪，作为数据存储位置的函数。二进制空间NSDM与具有二进制成分的n维向量一起工作。根据不同的背景，向量被称为点、模式、地址、字、内存项、数据或事件。本节主要是关于向量空间N=的属性。