回复：Jeff hawkins的Numenta的研究成果BAM

6.1.5. 伪代码
TM算法从SP算法结束时开始，由一组表示前馈输入的活跃细胞柱组成。下面的伪代码，一个时间步骤由以下计算组成：
1. 接收一组活跃的细胞柱，根据预测对它们进行评估，并选择一组活跃细胞：
a. 对于每个活动细胞柱，检查具有活跃的远端树突段的细胞（即从前一个时间步骤中处于“预测状态”的细胞），并激活它们。如果没有细胞具有活动树突段，则激活细胞柱中的所有细胞，将此细胞标记为“bursting”。产生的活跃细胞集是在先前输入上下文中的输入的表征。
b. 对于每个活跃细胞柱，学习至少一个远端树突段。对于每一个bursting细胞柱，选择一个在任何permanence水平上都有活跃突触的树突段。如果没有这样的树突段，在细胞上以最少的树突段生长一个新的树突段，随机地断开连接。在每一个学习树突段上，增加每一个活跃突触的permanence值，降低每一个不活跃突触的permanence值，并向先前活跃的细胞培育新的突触。
2. 激活一组树突段：每层细胞上的每个树突段，计算有多少对应于当前活跃的细胞的连接的突触（步骤1计算）。如果该数字超过阈值，则该树突段被标记为活跃的。有活跃远端树突段的细胞集合将是下一步的预测细胞。

在每个时间步结束时，我们增加时间步计数器“T”。
该算法不存储一组预测的细胞，而是存储一组有效的远端树突段。如果有活跃段，则细胞是预测态。

6.1.5.1. 根据预测对活跃细胞柱进行评估。选择一组活跃细胞。
将一组活跃细胞柱转换为一组活动细胞，并生长/加强/惩罚远端突触，以更好地预测这些细胞柱。
首先，对于每一细胞柱，决定它是否是以下任何一项：
···活跃且拥有至少一个预测态细胞
···活跃且没有预测态细胞
···不活跃且有至少一个预测态细胞
对每一项用下面的不同函数处理。

如果它的任何一个细胞有一个活跃的远端树突片段（第3-4行），则细胞柱是预测态。如果细胞柱的细胞中没有一个具有活跃树突段，则细胞柱会bursts（第6行）。
非活跃细胞柱中的树突段受到惩罚，如果它们足够活跃以达到“匹配”（第8-9行）。

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。