Hebb负向规则与矛盾解对

 

    很久以来我都只能理解Hebb的正向规则，因为意识（记忆）的相关性，相近性，所以网络应该是正向规则。但是有很多事情我无法用这种规则解决，比如饥饿与饱这两种相反状态，高矮，1-0这些在我们的记忆中却是关联存在的，但是正向规则的话他不会包容反意概念的存在，尽管他可以将反意的概念关联，但是他对反意的解只能形成一个相同的概念，因为关联的节点基本上可以认为是等价的概念。

    我最开始认识负向规则时，我无法理解（因为我理解错了^_^），因为它会减弱神经元之间的连接,导致关联记忆被破坏，退化，最近最近重新看资料，大有启发，负向规则可以定义为增强网络的连接。这样就能形成上述矛盾解对的概念，即两个反意解相互关联，当我们决策的时候，从两个不同的出发点出发的时候得到两个相反解得时候我们应该怎样决策，这样有利于智能从多个不同角度考虑问题，所以现实中你经常会看到很多人对同一个问题的有着矛盾的解，但是每个解都是正确的。

    现在我们看看传统理论对矛盾解得决策。

    在模糊集论中有个经典的例子，eg:有100个人，分布在1.6-2.1米之间，问你1.7米的人是高还是矮。经典集合给一个界限1.8以上是高.以下是矮。模糊集中会统计所有人，然后根据集合的情况给你个1.7米的人高和矮的概率，然后根据概率随机决策咯，之所以模糊集的描述合理，是因为模糊集使用的是人类总结的经验。但是他有缺陷，就是它仅仅只是一种专家系统，不会自己总结规律经验的。传统集合论可以认为是一阶经验，模糊集论可以认为是2阶经验，人脑是N阶经验，因为人脑可以无限度通过经验修改经验。

    现在我们来看看负向规则的神经网络怎么样将两种矛盾解反意的解关联出来，然后决策形成最终的无奈解。^_^
    一个对高度数据减1.8的输入关联到一个负向连接的神经元对上，他们之间负向连接，一个被激活，则另一个被负向加强，之间能量流方向的连接被加强（使得一方更容易关联另一个），这两个神经元自己都用正向规则开始生长发展自己的网络，在彼此网络的深处用一个网络将这两个网络正向关联起来作为输出，很显然只有有神经元输入的情况下网络才会根据输入生长，增长度为样本输入的作用时间，以及网络自身能量强度维持的时间，这样输入样本经过训练后会得到两个有规模的网络，而且这两个网络彼此负向定义，他们一同正向连接到一个输出网络，那么最终决策就看这两个网络的规模了，谁的规模度大谁就占优，但是它不是单独解存在，他对不同解都有一定深度的认可，只不过最终输出一个无奈解。

    上面说到的他得到的最终结果看似是集合论的结果，但是它的过程还是有一定的其他因素干扰，这被认为是随机的，所以最终结果是模糊集算法的结果，因为网络有诡异，就是网络的作用时间，以及其他概念网络的干扰。
    比如两个输入样本之间就会有干扰，这是由于网络中思维切换滞后产生的，前一个1.82米我们认为是高，后一个1.75米（低），由于两个输入相差不大，且网络中上一个能量没有耗散完毕，所以这次输入由于反差不大不会网络造成很大的能量布局变换，所以最终输出结果会将其与上一个样本归类为一个。