 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
中文数据库自然语言查询接口技术研究
下载积分：2000
内容提示：中文数据库自然语言查询接口技术研究
文档格式：PDF|
浏览次数：19|
上传日期： 16:05:56|
文档星级：
该用户还上传了这些文档
中文数据库自然语言查询接口技术研究
官方公共微信基于最强选择原理的神经元信息处理模型_人工智能吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：46,835贴子：
基于最强选择原理的神经元信息处理模型收藏
这将是你们所见到的第一个非黑箱的神经元信息处理模型。虽然文中的模型只是对最简单的一维信息进行串行、并行处理，但通过观察其结构、运行过程可以看出它具有的突出特点，如模糊处理、能解决组合爆炸问题、能实现并行处理，也符合人脑结构及认知过程的一些重要特征，并且也可以推导它能够扩展出更复杂的功能（不仅仅是对一维信息的识别，还能够对二维、多维信息进行识别，甚至可以实现逻辑运算、语言处理、自动控制等等）。对于研究模式识别、自动控制、认知心理学、大脑科学的人来说，这绝对是一个值得研究的新思路。我自认为它将成为人工智能取得突破的最基本理论，其对人工智能的意义相当于图灵机对现代电脑的意义。
如果文章中哪里有不明白的地方吧友们可以提出后我会进行解释。请尽量在充分理解模型的基础上进行讨论，并且不要在本贴讨论与本文模型无关的话题（如果吧友有自己不同的思路，请自己另外开贴）。
人工智能-IBM Watson具备理解,学习和推理能力,实现更智能的人机互动,帮助做出更好决策立即登录IBM 官网,了解更多成功案列, 下载白皮书!
原文地址：
那么71，老人都回归了！对不起，占位。
我理解这个方法是这样，把3层神经网络的连接权值全部去掉，用argmax(i)Fi(x)来有监督选择每个神经元向下一层的连接，选完以后有监督跟新被选择的神经元权值，再往下进行。如果人为原来的BP网络下一层是对上一层的软矢量量化，那么这个网络是一种更硬的方式：选择系统本质上是那个代价函数F(x)，每个神经元只与下一层的单个神经元有权值（也可以人为和其它神经元的连接权值都设为0）。所以创新点是引入了一个代价函数用于选择一对一的连接，不知道正确吗？
蛮好，挺有意思的。
首先看不到图。你文中提到的“时间”，准确的定义是什么？有什么生理学基础？神经元的连接有直接连接和突触连接两种，后者不需要轴突的生长。突触间化学递质产生、储存和消除都有自己的机制，也不会大量扩散到多余的地方。啧，臆想的成分太大。总起来说，很机械的思维方式。
每一个行为（动作）都有其特定代表的神经元?大脑根本没有这种工作方式好不好大脑根本就不知道啥是行为动作
目前可以实用的 人工伪智能 必然不可能和大脑原理相同谁说又实用又相同就是耍流氓
和权重选择机制差不多
Altera的FPGA和英特尔产品相结合,加强人工智能创新,突出产品优势,赢得市场.
winner take all,prediction（feedback inhibition）/top-down expectation这两个都已经有明确术语和数学模型了。还有一些不明觉历的数字电路仿制品，楼主学的应该是电子、通信之类的专业 ……
关于你的神经元节点模型有没有个成型的东西？请问你的理论中关于神经元节点的描述在哪里？
我的意思是既然是一种描述人脑信号流程的模型，是否可以和人脑信号机制建模的方法进行对比，而不是非人脑信号机制建模的BP神经网络？例如贴吧里做神经计算科学的同志分享了一些这个领域的文章，再例如CV领域有做仿人脑海马体贝叶斯模型图像分类的，首先是给出人在看到某些图像时海马体的数据，然后给出模型对这类图像的响应，最终对比两者的不同给出量化结果。这篇文章只是简单的定性分析，既没有给出人脑机制的有关数据，也没有给出模型和这些人脑数据的误差是多少，自然也没有其它方法在同样实验条件下的误差，这样的结论是没有说服力的，因为我们并不知道你的模型与人脑信号机制的相似程度（例如在什么条件下误差小于多少）。文中提到模型具有更好的推广能力（我理解为泛化能力的不同翻译），但是并没有给出“更好”是相对于哪些方法更好以及好多少，同理还有文中提到的其它结论，也没有实验结果支持，例如最简单的，某种一维回归问题中相比于现有模型准确率提升了多少。
你所提到的实验思路还不现实。目前的实验手段只能反映皮层中某区域的变化，而不能反映具体的信号传递路径。并且我的模型还只是一个最简单的功能，其目的只是要证明这种方法的可行性和优点，与真正的大脑相比还差很远，没法比较。不过结构上的特征是静态的，观察结构上的相似点为什么不能说明问题？目前没有一个模型能够对大脑的一些重要结构特点作出全面的、合理的解释，如果我做到了重要的部分，那不能算是证明吗？比如皮层的分层结构、功能柱结构、视觉中的眼动等等。
文中的一些结论，都是通过模型能够推导的。比如我提到的有很好的知识扩展能力，你可以尝试下，我的模型可以识别。如果要增加它的知识，比如会识别10001，那结构会有什么样的变化？如果你看懂了我的模型，就知道只需要增加几个神经元以及相应的连接就可以完成，不影响原有结构，不影响识别速度。其它方式会有这样的效果吗？（关于这一点我们可以做个比试，你选择一种方法，编程、神经网络都可以，先让它能识别，在此基础上增加一个识别10001的任务，观察它结构的变化、运行速度的变化？）
文章中提到了很多它的优点，比如具有模糊处理的特点、能解决组合爆炸问题、能提供一种有效的噪音处理方式，有很强的鲁棒性，这些结论都是通过其结构及运行过程得出的，你还希望我怎么验证？如果你认为结论是错的，那就提出你的推理。这些特点，本身就是目前人工智能研究者希望解决的问题，哪需要跟某一具体模型进行比较？更不存在“好多少”的问题了，解决了就是解决了，反之就是未解决。
我并不反对你的观点，同样也不赞同，甚至根本懒得花费时间去理解你想说什么，我相信大部分人也都是如此。我想说的是，无论你认为你的理论多么正确，都需要靠你自己去完善，然后给出别人能够直接看到的成果才有说服力。
既然提到数学模型，就说一下“最强选择原理”的数学模型吧：代表特征的神经元，如果与具有该特征、代表某一对象的神经元形成连接并将活跃的传递给后者，那么代表对象的神经元所包含的输入特征越多，其活跃强度越大，活跃强度最大的神经元其为真的可能性最大。没有数学公式，只用到加法，文章中的图三是模型的实例解释、证明。
即使我在这个领域是外行，以上你对目前研究现状的叙述也与我目前读过文献的综述部分差别很大。例如"目前的实验手段只能反映皮层中某区域的变化，而不能反映具体的信号传递路径。""比如皮层的分层结构、功能柱结构、视觉中的眼动"，"目前没有一个模型能够对大脑的一些重要结构特点作出全面的、合理的解释"。因为CV领域所做神经计算研究，即使比神经计算科学滞后很多，这些也并不是尚未解决的问题。结构化模型方面虽然我读的文献不多，但是仅据我所知就已经有十余年历史了，例如分类器模型有结构化支持向量机（S-SVM），latent-structure-SVM，以及在SVM提出后到S-SVM提出之前这段时间在SVM基础上建立的结构化模型；再例如贝叶斯推理，HDP、中餐馆过程模型等都是包含结构化学习的，而动态语义模型和连续动态语义模型甚至可以在高层语义的基础上进行结构化学习，后续提出的在线学习方法还可以实现高层语义的实时结构化学习。为何你文中的对比对象只有不能结构化学习的BP神经网络（而且没有给出具体的实验对照），连这些结构化学习的古董都没提及？文中还提到它的优点。例如”能解决组合爆炸问题“，我们并没有找到算法以样本规模为n的时间复杂度和空间复杂度推导，如何得到这个结论的？这样如何知道这个算法相对于其他方法复杂度降低了多少？再例如”能提供一种有效的噪音处理方式，有很强的鲁棒性“，我既没找到信噪比与结果的关系，也没找到算法的灵敏度，那我们如何知道算法的抗噪性能和鲁棒性？这好比说我造了个物体，说它质量好、体积好、密度好，那么别人怎么知道用什么量来衡量，这些量在什么范围内算是好以及和谁比更好？
对于试验手段，你所知道的有什么方式能测试大脑在运行过程中的信号传递路径？说出来吧对重要结构特点的解释，你提一个对皮层的分层结构的解释（或者分层结构、视觉的眼动），并确定那不是处于猜测阶段？我对你提到的那些模型并不了解，但它们真的就解决了你所说的“可以实现高层语义的实时化学习”吗？如果真的完全实现了，目前人工智能的现状是会是这样吗？我的模型在学习方面的优势：新知识结构的形成不会太大影响原有知识结构，不会太大影响运行速度，不会要求更高的计算资源。你说的那些模型能做到吗？尽管我还未给出具体的学习模型（不是给不出，因为前提是要识别的模型能够被了解），但是从我现在模型的结构特点就能证明我所提到的这些优势，你看懂了我模型的结构吗？识别范围增加导致组合可能性程指数级增加，这是组合爆炸产生的原因。我的模型中不存在这样的问题，这不算解决了组合爆炸问题？为什么一定要算出复杂度才能算是得到证明？噪音处理问题，我的模型实现了背景与对象分离，利用不同的背景模块选择即可以实现降噪，为什么非要计算信噪比？至于鲁棒性，如果你看了我的模型，你就会知道即使识别1001的部分被破坏，识别1002的部分仍然可以正常运行，这算不算是具有很好的鲁棒性？
“对于试验手段，你所知道的有什么方式能测试大脑在运行过程中的信号传递路径？”举两个例子（当然我不是神经计算科学领域的，所以例子不一定是具有代表性的）：Walther D B, Caddigan E, Fei-Fei L, et al. Natural scene categories revealed in distributed patterns of activity in the human brain[J]. The Journal of Neuroscience, ): .Haynes J D, Rees G. Decoding mental states from brain activity in humans[J]. Nature Reviews Neuroscience, ): 523-534.“你看懂了我模型的结构吗？”这一点很关键，我的批评是针对你的文章而非模型，更确切的说这句话总结了我的批评。文章中并没有指出来你的主要工作，也没有指出来你做的这些贡献相比于现有的成果有什么有利性。如果你的文章写出来同行看不懂，并不是说你的方法太好了，相反是你的文章写的太糟了。
我认为这样的结构和结论会更好一点：例如“提出了一种人脑信息传递的数学模型，该数学模型通过.....来起作用，它对于....实测数据的模拟准确率达到了....，超过了常用基准并能在当年的模型对比中取得state of art实验效果。”再例如“在人脑信息传递数学模型假说的基础上，提出了一种神经网络模型，该模型能够完成结构化识别任务，具有一定鲁棒性，和抗噪性能，能够解决组合爆炸问题。使用....数据集实验证实，该模型在...结构化识别任务中性能优于......方法（基准方法），和目前最新的报导相比..........。该模型的敏感度为.....，超越了..................，使用......数据集进行验证可证实这个结论。该模型当n=
时，时间复杂度为
，空间复杂度为
，与此同时
方法的复杂度为......，所以模型能够解决组合爆炸问题。”
“我对你提到的那些模型并不了解”。前者是目前已进教科书的老古董，一般做机器学习的人可能会没用过或者不了解所有细节，要说一点也不了解那有点过分了（读者很可能怀疑因为你的方法没有这些好所以故意不提及）。后者因为稍微年轻一些，关于这些内容可以在14年这个领域大牛的众多review找到评价，例如Blei 2014的topic model review里这部分内容都包含了。
“识别范围增加导致组合可能性程指数级增加，这是组合爆炸产生的原因。”我认为算法的复杂度关于样本规模或类别标签或特征维度等呈现非线性是导致组合爆炸的原因，而不是你叙述的这样。例如LR对训练集和测试集规模的时间复杂度都是O(n)，算法相对于样本规模就不存在组合爆炸问题。“我的模型中不存在这样的问题，这不算解决了组合爆炸问题？”你没有讲到你的算法相对于“识别范围”的复杂度是多少，也没有讲到其它方法的这个度量是多少，我们怎么能知道你模型存在不存在这个问题，更甚者这个组合爆炸问题本身存在不存在？
下面的也是一样，“如果你看了我的模型，你就该知道......”为什么我看了你的模型我就该知道.....实验结论？确切的说应该是你介绍了方法以后，用实验结论证明你的方法有....有利性，然后读者根据实验结论来判断你方法的价值。而你现在的文章结构是：我有一种方法是......，它各种好。面对提问的回答是：如果你看了我的模型，就应该知道...的实验结果应该是...。
你所提到的两个例子,都是对大脑活跃时皮层活跃区域(而非具体通路)的研究.目前最广泛应用的FMRI技术,没搞错的话它是目前最先进的观察皮层活跃情况的技术,下面是百度的关于FMRI的资料:它虽然是一种非介入的技术，但却能对特定的大脑活动的皮层区域进行准确、可靠的定位，空间分辨率达到1mm，并且能以各种方式对物体反复进行扫描。fMRI的另一个特点是，能实时跟踪信号的改变。例如在仅几秒钟内发生的思维活动，或认知实验中信号的变化。时间分辨率达到1s.以它的空间时间分辨率,1平方毫米有多少神经元?1秒的时间神经信号能传递到多少神经元?从这里就应该能看出来,要通过实验手段来了解具体的信号传递通路,目前的技术还差得远.我文章的名称就叫&&XXX模型&&,我实在无法理解你所说的批评是针对我的文章而不是模型.文章里有对其优点的说明,我现在总算明白你的意思:一个模型的优劣,需要用实验和数据来证实.你忽略了还有一种方式,就是推理.否则,爱因斯坦的质能方程只有在原子弹试验成功后才会被认可.这源自于你所了解的所有神经元处理模型,都是黑箱模型.黑箱模型的特点就是你无法解释每一个运行过程的作用和意义,我们所要的只是结果,所以只能通过具有结果的实验数据的对比,来得出一种模型是否优于另一种模型的结论.在这个贴子中我一开始就说了,"这将是你见到的第一个非黑箱模型",非黑箱的优点,就在于可以了解它运行过程中的每一个步骤所代表的意义,并从中了解它具有些什么特点.比如说鲁棒性,对于两种黑箱模型来说,相同的破坏程度\破坏区域,你可以把破坏后保留的功能多的那个,说它的鲁棒性强.但对于非黑箱模型来说,这样的比对就没有意义,因为你只需要推理就能够知道非黑箱模型哪些区域被破坏后是什么样的后果,那判断是否具有鲁棒性还有必要进行试验对比吗?组合爆炸也是同样的情况.系统内的子系统越多,系统可能的状态程指数增长,这是组合爆炸产生的原因,一维也好,多维也好,只是程度的区别.非线性是组合爆炸的前提而不是原因,否则大脑是非线性的,为什么没有组合爆炸问题?模糊处理是解决组合爆炸的重要方式,而恰好我的模型具有模糊处理的特征.真要比较也不是不可以.但是比较必须是在同等条件下的,我的模型还只能识别1001这样的简单信号,在这种简单功能的情况下,光看比较结果也未见得有多少意义,还得需要从过程中来证明.对于更复杂的功能,则不是我一个人的精力能完成的了,至于我说不了解那些模型,这是实话.,我对这些模型没有兴趣,我只需要了解现状.很明显,你提的那些模型并没有像你说的那样"可以实现高层语义的实时化学习",即使得到了大牛很高的评价,也只不过是在结果上有了更好的表现,并没有根本的改变.否则贴吧里有个帖子"闲聊",那里面不就是讨论人工智能的现状吗?谈到目前人工神经网络的学习,它的确带来了应用上的巨大进步.我不知道它有多少得益于理论的进步,但毫无疑问电脑硬件的发展在其中起到了关键作用.不要迷信这种学习理论,它已经快到终点了.人脑的学习功能才是真正的学习,跟目前的人工神经网络完全不同的学习,这才是我们要追求的目标.所以,你说的那些建议,对我没有意义.
我看了一下文章中的实验，如果你还是拿一些我看不懂的话来回答的话那我也只能的出来类似楼上的结论：“我并不反对你的观点，同样也不赞同，甚至根本懒得花费时间去理解你想说什么”（当然我仔细看了也没明白你要说什么）。在这个实验中，模型的功能是告诉我们一个二进制字符串里面是否有一个已知字符串。如果是这样的话我们直接把所有已知字符串存上，然后来一个字符串用异或指令查找里面有没有已知的不就可以了吗？为什么要用这个模型？直接用查找的话我认为你说的模型优势它都在：1、没记错的话二进制字符串异或运算量相对于已知样本规模是类线性的（一定范围内复杂度小于线性复杂度，一定范围内大于线性运算度但是小于O(n^2)）。2、你定义的“鲁棒性”它完全满足,丢一个样本它只是不认识这个样本了，不影响别的。3、你定义的那个“推广能力”（如果按照标准定义的话这应该叫做“不能推广的能力”）它完全满足，已存的样本准确率百分百，加新样本直接存上就行。4、“知识扩展能力”就更好了，特征维度增大的话每个样本存储多一位即可。所以我想知道的是你的模型和一条查找指令相比优势在哪里？
有什么看不懂就尽管说，我从来认为只要足够的理解能力、足够认真和客观，就没有沟通不了的事。你现在总算认可了部分我提到的优点，并且至少你认识到这个模型可是可运行的（很可能你只是假定这个模型可运行，你根本就没有看它的运行过程）。从我的目的来说，这已经够了。因为它是第一个非黑箱的神经元信息处理模型，我相信没有其他人作出过类似的东西。能够运行只是一方面，关键它的结构与大脑惊人的吻合。对此你并不关心，因为你关心的是这种方法在信息处理上的优点。那我再给你解释一下吧。首先，我的模型是3进制（而非你说的2进制），并且能推广到n进制，做3进制只是为了方便描述和理解，对于n进制来说，它的结构复杂程度不会增加太多，运行速度也不会变慢。现在就以你认为的2进制为例，把我的模型跟你说的方法进行比较。首先，你通过编程实现了这样的功能：如果输入是（十个0），输出A0 ；如果某一段是1001，而其它部位都是0，输出A1；其它任何情况，输出都是NO。这个程序很简单。现在要求你再增加一个识别101的任务，你有两种方式：重新编程，或者保留原来的程序，按前面说的方式再增加一个识别101的程序，让两个程序分别运行。对于第一个方式，如果任务越来越多，你将每一次都要改写，并且改写的难度也越来越大，因为你要与原有的程序进行比较，在合适的地方加入合适的指令。对于第二个方式，改写难度是没有了，但需要的计算资源却越来越大，或者计算资源不变的情况下运行速度越来越慢。我的模型就可以看出来，识别任务的增加只需要增加新任务相应的结构，也不会影响运算速度。
现在，把任务变得更复杂点。前面的A0把它称为背景，它是10个0。现在背景中出现了噪音，比如第4个是1。这时候，你编程的难度就更大了。因为要考虑噪音的问题，原来的程序用不上了。你需要做一个即适合背景为，又适合背景为的识别1001的程序，整个程序都得重新编写。 而我的模型呢？它只需要在背景部分做些文章，就又可以运行了（虽然不是所有情况都能输出正确的结果，这点即使用编程也无法避免）。因为它的结构中，代表背景的部分与代表识别任务的部分是分离的。这就是我的模型在噪音处理上的优势。当然，还有并行处理的优势，只不过这样简单的例子优势还不太明显（你也未必认可），但我在文章中“回返性抑制”这一章节里有大致的描述。
"但需要的计算资源却越来越大，或者计算资源不变的情况下运行速度越来越慢。"这个方法很明显空间复杂度是线性的，时间复杂度是小于O(n^2)的，你怎么得出的上述结论？或者我想知道你的方法比起来基本查找指令运算复杂度下降了多少？（我估算运算复杂度反而比查找指令还高）。可以正面回答一下，按照你的分析，除了“组合爆炸”以外，“鲁棒性”“推广能力”“知识扩展能力”比起来查找指令有何优势？“你编程的难度就更大了。因为要考虑噪音的问题，原来的程序用不上了。”我认为这不是我要讨论的问题，当然如果要考虑噪音的话你的模型我看不到任何抗噪能力。例如我加一个多少dB的伯努利噪声，101可能会变为000,111,100,011等，101只是叠加噪声以后的分布中可能性比较大的一种输出（我认为应该是个多项式分布），我不认为你的模型能够把000,111等正确的识别成101，也就是说你模型的准确率不会高于101在噪声下恰好还是101的概率。.
并行处理是一个巨大的优势，我相信大部分人都认可这个观点。人工神经网络看起来是实现了并行处理，但它是黑箱的，它所遇到的问题往往很难解决。上面说到这个简单的例子优势不明显，现在我再说具体点。在1001的例子中，把第一个1作为左边缘，第2个1作为右边缘。在我的例子中，要寻找左边缘，只需要1次选择，不管左边缘的位置在哪里。寻找右边缘则要费事些。这是因为在例子中，信号传递效率是从左到右依次变小。如果在这个结构基础上稍做调整，比如利用一种叫“易化”的方式来调节信号传递效率，使它们从左到右依次变大，那么寻找右边缘也只要再进行一次选择。（关于“易化”，是一种特殊的神经元相互作用类型，其实质就是调节神经元信号传递效率）。对于你说的方式，则需要从头扫描到尾。这个例子你只需要10次扫描，但如果在更复杂的情况下，它的工作难度就不是一般的大了。现实的情况是，图像识别中范围的确定、范围的分割一直是个难题（不要提这个问题已经解决了，也许有些模型在这方面相比其它模型做的更好，但远远谈不上解决了问题）。
回复 那么71 ::同样的数编3进制码和2进制码用计算机算查找居然算出来不一样的时间复杂度出来，我认为是编码编错了或者时间复杂度算错了的情况下才会发生。"为什么看不到这条回复?好吧，我少写了一句话：3进制和2进制位数相同，都是10位的情况下。这下没矛盾了吧？3进制的1001和2进制的1001是不同的数。
回复 那么71 :你宣称方法能解决组合爆炸问题，但是就是不说运算复杂度，是不是给读者造假了的印象？————————————————————我说了，2进制10位数的最大运算时间是10*2，3进制10位数最大运算时间是10*3，n进制m位数的最大运行时间是m*n。可你又说我算错了，是哪里错了？如果我的最大运行时间就是你所说的运算复杂度，那m*n就是我的运算复杂度。
把文章中的这部分单独贴出来吧：读者会有这样的问题：图十一的模型有三种输出，模板的选择是根据顺序发放系统的神经元T来决定的，与输出对应，神经元T也是三个。这实际上是一种遍历的方式，也就是将可能的模板按顺序一个一个来尝试比对。当输出情况很多的时候，比如按本文的识别要求，最大可能情况是59049种（3的10次方），这时候再按这种方式效率就很低了。解决的办法并不复杂，之前的串行处理方式中就不存在这个问题。我们只需要增加一个“特征提取系统”。特征提取系统也就是选取局部的输入进行识别（比如上面模型中在每次移动后对最左边的输入单独提取）得到局部特征，它按串行的方式工作，可以与图十一中选择系统二同步进行，并将特征作为选择系统二中相应神经单元的输入。以特征提取系统获得的特征作为模板选择的依据，就可以避免遍历的问题。这种方式即使在最极端的可能情况下，前面模型比对的次数最多也只需要30次。（本文未建立具体模型，有兴趣的可进一步探讨）——————————————————————————看了这个，不知道你是否还认为我仅仅是说“我的模型复杂度挺小的”？当然，要完全明白这段话，还得要搞明白之前的串行模型及并行模型。
再给你做个计算证明吧：对于一个n进制m位的识别任务。它组合的可能性为n^m种。对于任意一个数字，当第一位得到确认后，剩下的可能性变为n^(m-1)种，因为在最强选择原则下，其它可能性被排除了（假定第一位是A，那么代表Axxxxxxx......x的神经元活跃强度一定比其它的高）。第一个数字得到确认有n种可能性，因此比对第一个数字的最大次数为n次。当第二位得到确认后，剩下的可能性变为n^(m-2)种，比对第2个数字的最多次数为n次。前两位数字得到确认最多比对次数为n+n=2n次。以此类推，比较到x位后，剩下的可能性变为n^(m-x)种，比对的最多次数为x*n。当x=m时，剩下的可能性变为n^(m-m)=n^0=1，可能性只有一种，也即得到确认，那么比对的最大次数为m*n。所以，对于任意一个n进制m位的数字，完成识别所需要的比对次数最多为m*n次。
登录百度帐号推荐应用
为兴趣而生，贴吧更懂你。或}