模式识别的数学观点

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，即解决方法。资源的配置可能可以参考已有的商业运行模式，或者相反。只有这种永不安分的搜索才能得出最终最优解。我们可以认为这是网络式的竞争博弈，最后达成的均衡就是一种相对局部最优解，但是我们可以通过一定的条件来影响其达成低概率的整体最优解。我们需要以概率网络来理解。大规模的组合尝试，和对环境的交互（以适应度表示）和最后的选择性表达，这种就是一种模式涌现。本质上，这是一种大数据的运算。

工具的开发，是我们改变世界的第一步。然后是多层次的结合，商业模式、行业潮流、运营，技术等等的结合。

信息论的信道之间的交互可能是新的量子耦合模式。

 

我们可能需要寻求新的底层实现，如生物脑，以神经元的网络联系为基础进行新的计算机体系结构构建。当然，我们还是需要比较底层可以实现的工具方法，当然我们还需要对远景的预见。

互动，开放的架构，对不同模块的兼容性。

网络社区的形成，和通讯交流的抽象程序，即客户端提供一个平台，一个基本的架构，可以使得用户自由发挥，从而最后在宏观层次涌现一定的模式，如各种社区的形成。然后可以在社会层次发挥巨大的力量，如阿里巴巴。

多层次的交换思路（山不过来我过去），逻辑等价的路径的构建是不成立的，即自反律的适用范围是量子层次的，而我们习惯思考的层次是宏观层次是以一定的分布函数表示的。