模式识别本质上是对高维结构的把握,如隐马尔科夫序列的各个状态的比例,具体的表达就是我们观察的对象。
特定的序列具有不动点的地位,可以根据特定的seed序列不断延伸,根据动态规划,选择分数最高的序列。其中的基于局部最优的继续寻找是如同贝叶斯公式的方法,即使不能找到整体最优至少能够找到的局部最优与整体最优是接近的。
对无限多的信息的高维处理过程(不同层次的信息存在维度的差异)可以视为是一个模式识别的过程,可以认为是拓扑的不动点的识别。
不同层次的相对比例,就是特征。
大规模的数据可以理解为网络,不同的路径之间存在一定的相关性,即可能会产生干涉。不同可能路径存在一定的遍历和退相干,最后涌现的性质就是模式。
网络的力量,对所有可能性的遍历和自动的模式涌现,即具有更高效率的算法,使得最后能够以比较高的效率分配各种资源,然后以一定的规则进行一定的运算,达成一定的目的。
这都是基于底层的编程乃至于更底层的机器码运算的高维模式涌现。其中冯.诺依曼存储式程序思想的具体的实现,如指令按照地址的顺序摆放,地址范围从到0000H-FFFFH还是十分精彩的。当然,这种底层的,甚至汇编存储的编程是我们进一步发展的基础,我们最后进入的高级语言,面向过程的c语言,乃至于更后面发展的面向对象的各种高级语言python、java、c++则是一种自然的发展演进。毕竟其抽象程度不断升高,不断逼近我们正常人类的思维层次。但无论如何,这种结构化的模块思想是不会过时的,这体现于各种库的编写,甚至图形化操作界面。
只有足够多的训练和经验才能在复杂的情况快速收敛得出有效的路径,即解