回复：Jeff hawkins的Numenta的研究成果BAM

对每个活跃细胞柱，如果任何细胞进行了预测，这些预测的细胞变得活跃（行11-12）。每一个细胞都被标记为一个“胜者”（第13行），使它们在下一个步骤中成为生长突触的前突触候选者。

对于每一个这些正确的活跃树突段，加强突触活跃段，并惩罚突触没有贡献的段（16-20行）。如果段只有少于SYNAPSE_SAMPLE_SIZE的活跃的突触，则突触生长新的一个子集，从以前的时间步的胜者细胞来弥补差额（行22–24）。

如果细胞柱的激活是没被想到的，那么细胞柱中的每个细胞变得活跃（行26-27）。
选择一个胜者细胞并且给细胞柱学习一个树突段（行29-35）。如果任何细胞都有一个匹配段，选择最佳匹配的段和细胞（行30-31）。否则，选择使用频率最少的细胞，生长出新的段（行33-35）。
在学习中的树突段，增强部分地激活了这个树突段的突触，惩罚没有贡献的树突（行40～44）。然后给前一时间步的胜者细胞生长新的突触（行46-48）。

当具有匹配段的细胞柱不活跃时，惩罚导致这些段“匹配”的突触。

6.1.5.2. 激活一些树突段
计算一组活跃和匹配的树突段。活动段表示预测细胞。下一步将使用匹配段选择哪一个细胞进行学习。

如果突触的permanence值足够高，则它是“连接的”（第60行）。每一树突段，对活跃和潜在的突触连接计数（行58-64）。如果数量足够高，这段分别被认为是“活跃的”或“匹配”，（行66-70）。

记录潜在活跃突触的数量，以便我们可以在下一个步骤学习时使用它（第72行，用在第23, 47行）。
现在，重复。回到第1阶段。把这两个阶段放在一起，就可以得到整个算法。

6.1.5.3. 支撑函数
这些函数被上面所用。

最少使用的细胞是拥有最少树突段的细胞。找到拥用最少的树突段的所有细胞（行74-81）并随机选择其中一个（83行）。

最佳匹配段是具有最大数量的潜在活跃突触的“匹配”段。

当生长突触时，为前一个时间步获胜细胞成长一个随机子集。一树突段连到一个前突触细胞，只能连一次（行95-99）。