人工智能吧 关注：114,017贴子：505,259
知识工程或叫专家系统和人工网络的结合,是目前能进一步提高系统性能的实用方法.
神经网络具有统计学习和非线性动力学方面的特点,可产生泛化和突现等,但结构复杂,理论还不够完善.(具我所知神经网络具有许多层之间的反馈,上层在宏观上会对下层进行各种调节,其动力学行为是很复杂的).
以上的关键词:统计学习,非线性动力学行为.
专家系统具有把复杂的事物,进行了抽象后的处理能力.它是一种理想状态下的处理方法,其特点是处理复杂问题时,能简化处理的复杂性.
人脑在处理问题时,也是用了大量的抽象处理方法.
确实的讲人脑在处理信息时已经有意无意的使用了以上二种方法.
我认为无意识的信息处理,主要用了网络的那种自发的动力学行为,有意识的信息处理,主要用了抽象的符号处理.
RUI讲的其实就是再通过专家系统处理,使其具有更好的可读性.
比如把英语翻译成了中文,再根据中文规则,用专家系统重新进行够造和修饰,使其符合中国人的习惯.
神经网络具有统计学习和非线性动力学方面的特点,可产生泛化和突现等,但结构复杂,理论还不够完善.(具我所知神经网络具有许多层之间的反馈,上层在宏观上会对下层进行各种调节,其动力学行为是很复杂的).
以上的关键词:统计学习,非线性动力学行为.
专家系统具有把复杂的事物,进行了抽象后的处理能力.它是一种理想状态下的处理方法,其特点是处理复杂问题时,能简化处理的复杂性.
人脑在处理问题时,也是用了大量的抽象处理方法.
确实的讲人脑在处理信息时已经有意无意的使用了以上二种方法.
我认为无意识的信息处理,主要用了网络的那种自发的动力学行为,有意识的信息处理,主要用了抽象的符号处理.
RUI讲的其实就是再通过专家系统处理,使其具有更好的可读性.
比如把英语翻译成了中文,再根据中文规则,用专家系统重新进行够造和修饰,使其符合中国人的习惯.
其实输入表和输出表,就可以看成是一种反射,输入输出可以是终端的也可以是中间的.
反射也可以是通过联想来产生,比如A引起C兴奋,B不能引起C兴奋,A.B同时出现多次,B可引起C兴奋.其实质是联想的作用,开始是联想B-0.3-A,最后是同化B-0.99-A.
统计(学习)是一种从偶然性里找出必然性的一种有效方法,统计学习是自动滤去无用信息,减少记忆量的有效方法,否则会记忆许多无用或用处不大的信息,人无疑对各种信息的重要性是有数(量度)的,只是(感觉是)模拟的精度很底(模糊的).
RUI反射算法的算子,用神经元的算子也是可以的,只要功能强,通用性好.在串行机中循环一千次,每次只要改变地址,就可相当于有一千个神经元.
反射也可以是通过联想来产生,比如A引起C兴奋,B不能引起C兴奋,A.B同时出现多次,B可引起C兴奋.其实质是联想的作用,开始是联想B-0.3-A,最后是同化B-0.99-A.
统计(学习)是一种从偶然性里找出必然性的一种有效方法,统计学习是自动滤去无用信息,减少记忆量的有效方法,否则会记忆许多无用或用处不大的信息,人无疑对各种信息的重要性是有数(量度)的,只是(感觉是)模拟的精度很底(模糊的).
RUI反射算法的算子,用神经元的算子也是可以的,只要功能强,通用性好.在串行机中循环一千次,每次只要改变地址,就可相当于有一千个神经元.
我也觉得在很多情况下现有计算机技术已经实现了“计算某些数据但是数据本身并没有被传送”
这种概念在C上面也体现的很清楚。我们用的指针只是一个个Char，而并不是数据本身。至少在软件层面，这种思想很久之前就存在了。
如果一个数据在传输的途中被不断修正，简化，那么它传递到终端的时候就已经不是传输数据了。它只是一个函数的输入值x，而终端得到的数据只是一个已经经过计算的输出结果y。
就好比y = fn(x) 可以把反射神经的传递方式看作y = fn(fn(fn(fn(x))))
这种传递方式在计算机上面非常消耗资源（calling functions)
或者说这种传递方式不适合在目前的计算机上运行。
当然在生物上面我觉得这是种不错的方式，在“传输数据”的同时“处理数据”，根据经验改变传输和处理的方式。
这种概念在C上面也体现的很清楚。我们用的指针只是一个个Char，而并不是数据本身。至少在软件层面，这种思想很久之前就存在了。
如果一个数据在传输的途中被不断修正，简化，那么它传递到终端的时候就已经不是传输数据了。它只是一个函数的输入值x，而终端得到的数据只是一个已经经过计算的输出结果y。
就好比y = fn(x) 可以把反射神经的传递方式看作y = fn(fn(fn(fn(x))))
这种传递方式在计算机上面非常消耗资源（calling functions)
或者说这种传递方式不适合在目前的计算机上运行。
当然在生物上面我觉得这是种不错的方式，在“传输数据”的同时“处理数据”，根据经验改变传输和处理的方式。
