延迟问题
假设链的层次结构有四个级别，它们可以被连续识别：音节中的字母，单词中的音节，措词中的单词。在识别每个级别后，应该经过一个神经网络循环。如果ANN每个周期读一次字母，那么识别最高级别的信号将非常晚。如果人工神经网络应该做出预测并选择行动，那么这根本不合适。在ENS中，这个问题不是很明显，因为神经元的工作速度通常比出现下一个层次时要快得多（例如，当通过耳朵识别语音时）。对于人工神经网络，如果将下一个符号的到达人为地延迟到识别所有层次结构级别之前，则可以解决该问题。我称这种方法为“具有自适应识别深度”。我们有一个带有后置条件的循环-虽然已经识别出至少一个神经元，但不要将下一个信号读入传感器，而是继续识别什么。如上一篇文章所述，正是为了调试这种情况，NeuroTime虚拟时间的复杂性才派上用场。: , , , , , , . , — , «» «». «» , ( , ). , «», , .
( ) . , , : , …
… :
, ( 1/2 . .) , — : ++ ( cluster.neuronTemporalOutput.activate()), , .
—
, — , - , , — . - , . , — — «», , , — (). , ? , — ( ), . , , . :
而且，查看具有多个级别的层次结构变得更加容易：
信息压缩与遗忘
被识别时，较高级别的特征可以抑制较低级别的特征。然后，低级的将被更快地忘记，并清除存储链。只有已激活自身的群集才能放慢速度，并且只能识别它的那些迹象-因为它本身已经在内存链中列出，并且已经考虑了此子信息，并且在这种制动过程中不会丢失。如何减慢速度？不建议完全停用子级“较低”的标志，仅降低连接的强度就足够了，这样可以更快地删除与存储链的连接。确实，在接下来的几个刻中，即使似乎已考虑到症状，该信息仍可能派上用场，因此请不要急于立即将其删除。, , . , .
, . , . — , , , , .
在突出概括时，抑制识别符号非常重要-如果概括选择了一条已知链，那么它将抑制所有多余的内容，并且不会创建重言式-重复或采用。另外，如果新的通用链中有很多功能，则只有最高级别的功能才会进入。考虑到记忆/识别代码对于两种算法都是通用的，这并不困难-即记忆，即具有两个前导链的一般化。