in outs数据结构及SKN

解释repeat-base 重复基，考虑到如apple这一单词的拼写本应为a-p-p-l-e，但在in outs数据结构中的自然状态会忽略重复的p从而变成a-p-l-e，为解决此问题将重复的p替换为a-2-3-l-e并将p-2及p-3如此相连，再者为了确保顺序上例可如0-a-2-3-l-e(p-2,p-3)。

deepseek1

deepseek2

deepseek3

新规则：sequence differentiation 将序列的不同可能部分分别理解

新规则：repeat-verify 对激活链的初始和结束进行重复的验证以确保网络的可靠性，即相同的初始和结束被多次激活并确保了其同步性，以及可以进行多个激活链的同时验证。

repeat-verify:
激活链的细节可以归咎于结束sense的value，比较结束sense被多次激活时具有相同的value，来确保其激活链的一致性，并不需要额外单独考虑。

佬，我大学专业是化工类的，但我对人工智能很感兴趣，现在毕业想转人工智能的行业，同时想要多学点新东西，我应该怎么做？

sense knowledge net（新）
sense 单个节点
rule sense绑定的序号
knowledge 若干个（绑定序号的）节点的连接
net 所有节点连接成网
in 跳跃入sense
out 从knowledge跳出
multi-points 多点同时激活以期触发活动
cache 等待激活
any-deep 任意层与深层
value 激活节点加权value与可激活节点之比
sequence differentiation 将序列的不同可能部分分别理解
repeat-verify 对激活链的初始和结束进行重复的验证以确保网络的可靠性，即相同的初始和结束被多次激活并确保了其同步性，以及可以进行多个激活链的同时验证。
in-outs structure:
假设有A,B,C,D,E,F等若干个sense，那么例如A:0-B:1-C:2为一个knowledge，将该例三个sense均标记为D这个sense，当激活并扫描到这三个D时，就意味着从A:0-B:1-C:2这个knowledge跳跃到D这个sense，那么同时，假若A:0-B:1-C:2当中的A,B这两个（绑定序号的）sense被标记为E这个sense，而由A:0-B:1-C:2这个knowledge可知，潜在A:0-B:1这个knowledge，则如前将它们的标记E激活从而从A:0-B:1这个knowledge跳跃到E这个sense，同样也有可能D,E形成一个D:0-E:1这样的一个knowledge，并且它们被标记为F这个sense，那就意味着可以通过激活它们的F并跳跃到这个sense，当然如果D,E若是不形成D:0-E:1，那么即便它们被标记为F或其它sense也无法确保可以激活，以及允许一个sense连接超过两个sense，同种标记同时激活一次，并且激活后指向一个sense，采用就近长度原则通过相同标记的sense来确定knowledge，就近长度指在相同标记的前提下sense就近及保证knowledge长度尽可能的长，另外，在激活时需要考虑多个相同标记的sense，sense节点的标记与sense之间的连接（从而可能形成knowledge）分开处理，可以说sense之间的连接是由knowledge保障的，并且连接这一概念被隐蔽到knowledge之中，sense的标记直接指向sense，最后，对于knowledge而言不同序号的sense是不一样的。
value:
默认value为1，激活时根据在knowledge的限制下具有相同标记的激活sense的value总和比上同样在knowledge的限制下具有相同标记的所有sense的数量。
repeat-verify:
激活链的细节可以归咎于结束sense的value，比较结束sense被多次激活时具有相同的value，来确保其激活链的一致性，并不需要额外单独考虑。

/* 封装用于提示，它会被列入一个统一的数组，其中数组的下标作为sense的标记，也就是num */
struct num_to_addr{
sense addr;
};
/* sense在构建knowledge时对序号敏感，所以对每个该sense所属的序号都单独处置 */
struct sense{
seq *seqs;
};
/* seq_num就是相应sense某个序号，next_num列表存储着该序号下所指向的下一个sense的标记 */
struct seq{
uint seq_num;
num_and_seq *nums;
uint *next_num;
};
/* 将num和seq_num组合，用于表示所连接的其它带序号的sense */
struct num_and_seq{
uint num;
uint seq_num;
};

（该模型原本考虑的是如英文字母sense通过相应的knowledge拼接成合适的单词导向相应的单词sense，然后再到句子sense，乃至段落sense等，中文由汉字sense开始同理，通过将一串字符串通过不断地解析为更高层的sense，以固化它们的联系，从而形成一个庞大的由固有知识形成的网络。而在近期，重新了解神经元构造后，考虑到以下）
skn恰巧与大脑神经元存在相似之处，首先它们都是单向传导，但也允许出现环路，其次，sense相当于神经元，而knowledge就像多个神经元对特定神经元的连接方式，其中，序号则表示着所连接神经元的突触到其中心的距离的大小排列，如果是通过环路或另一些神经元连接到同样的神经元，那么神经元本身就提供了相应距离的其它突触，以保证与另一批序号能够对应，唯一的问题是，多个神经元就像是事先知道该以哪个knowledge连接一样连接到下一个神经元，并且这多个神经元一旦经过哪怕一点修改就可能连接到不同的神经元，这或许不像knowledge和sense那样自然，但忽略掉这点，可以不做任何修改符合对生物神经系统的结构上的模拟。

总结公式：
K(s)=S
其中，K表示knowledge，s表示若干sense，S表示某个sense。

全局刷新
skn用于生物神经元，用与sense数组对应的另一个数组来储存相应sense的即时value，并且利用sense数组即时处理的激活来刷新相对应的value，直到全部刷新。
1+2模式
1表示sense array，2表示两个value array，这两个value array交替更新，先让被更新的array全部赋值为0，然后通过另一个array借助sense array去更新需要更新的array，然后交换这两个array的作用继续执行，需要注意的一点是，当出现更新一个已经更新即非0的value时，考虑使用max函数（选择最大的储存）。
1+2+1模式
除了1+2模式外，额外提供一个count array，用于记录相应sense所对应value被更新的次数，需要初始化为0，这里被更新的value array不一样的地方在于它不再需要被初始化为0，而只需要更新完成时，从count array中将count为0的value赋值为0，故而，重复的更新就可以通过count协助value计算平均值。

记忆单元（skn生物神经元）
n: (:0 n:1 / n)
(:1 n:0 / n)