十进造、多进造、逆向神经收集计算机专利手艺深度解密文件
1：位权信息
所谓“位权信息”，是由位置信息加权的神经收集单位信息，是由一维空间收集节点构成的单位信息，而且和进位造相关，每个节点“权值”各有差别，多个节点构成一条神经单位，神经单位运行时，只要一个节点信息是“凸出”或“凹陷”，其它各节点寂静，“凸出”或“凹陷”和“寂静”的信息特征由神经收集单位内部各节点信息彼此比力而闪现，例如：在一根神经收集单位中，大都节点信息处于高电平，只要一个节点信息处于低电平，那种表达叫做“凹陷”表达，大都节点信息处于低电平，只要一个节点信息处于高电平，那种表达就叫做“凸出”表达。“寂静”所指是处于静行未激活的输出形态，“寂静”形态输出值是按照“凸出”或“凹陷”的形态信息而定，无论“凸出”或“凹陷”是高电平或低电平，它处于神经收集节点信息形态是“有效”、“激活”形态，与其毗连的下一级节点信息，必需改动形态，那种产生感化的形态称为“有”效形态；如许“寂静”形态的输出老是对与其毗连的下一级节点不产生任何感化；那种“无”感化的形态称之为“无”形态。那就是“有1”和“ 无 ”的构成过程。“有1”和“ 无 ”是神经收集单位各节点信息的形象评判。如下图：
从数字表达计算方面看，“位权信息”是空间散布的多个收集节点构成，有两种“位权”表达办法，一是“进位位权”，二是“本位位权”，两种“位权”表达办法都是操纵空间“位置”表白数值大小的办法；习惯上人们把程度无序摆列的列位数字，按其所处位置的差别所设立的位置权重称为“位权”。在“量化逻辑”中把那种“位权”称为“进位位权”，因为列位之间存在进位关系。所谓“本位位权”仍然是空间摆列的多个节点构成的一组数字，不外参照“进位位权”:若是“进位位权”是程度无序摆列的列位数字，那么“本位位权”就是垂曲有序摆列的节点位置数字，是按大小次序摆列的，一个数字只占一个列节点位置，一列节点数字中每个数不克不及反复，连结其独一性，一列数字共有几个数字节点由小到大摆列，就是几进位造；用“进位位权”表达的一组数字，其各个位置的数是用一列“本位位权”数字中的一个数字做为“显值”，其它“本位位权”的各数都处于“隐藏”形态，不显示其值。“本位位权”的列位置数字，从小到大能够轮回、往复、跳跃利用。
“本位位权”和“进位位权”都是用二维空间节点位置表述数量几的一种空间表达办法，“进位位权”用个、十、百、千、万、十万……来表述列位的进位位权，“本位位权”用0、1、2、3、4…..来表述空间的散布位置权，由“本位位权”中的数字位置几，确定“进位位权”的进位造式。因而，“进位位权”是由“本位位权”限制的进位造式。
那种“位权信息”的表达办法办法在老式的机械仪表中得到普遍利用。如下图：
整齐的阵列式排布，无次序的“权值”“凸出”，表达不了详细数值。
打乱的整体规划，整齐的“凸出”显示，明白指向数：83194275。把平面含有数字符号的空间单位从另一维度两端卷曲对接可得到持续轮回的“凸出显示”窗口。各人能够看到，二维空间散布的数字在第三维标的目的卷曲构成的数字环是完全的硬件设备，它永久是存在的，而程度遮挡留出的窗口显示数字则是独一的，轮回变革的。那里“显示”与“不显示”是“形态”，显示的数字是“权”，在“显示”的形态下，有多个能够选择的显示“权值”，只要展示在窗口内的“权值”才气被“显示”，其它各“权值”仍然存在，但被窗口外的设备隐藏、遮挡。“权值”只能显示一个“权值”，只要“态权”连系，才气完好表达那里的意义。那里的“显示”和“不显示”和“有效”“无效”，“感化”和“无感化”,“激活”和“未激活”等信息类似，具有不异的意义。
抽出来的一位本位位权节点摆列，明显的契合逆向神经收集神经单位属性。具备1×10矩阵单位属性。所有的神经收集表达都是那种“态权”信息构造。
如许看来，“位权信息”就是神经收集单位信息，同时可见，神经收集单位信息很早以前就已得到普遍的运用，就是无人存眷罢了。
2：位权量化器
位权量化器就是把模仿信息映射成空间收集节点信息的器件。由此获得逆向神经收集计算机具备处置模仿信息的才能。
人工神经元
逆向神经单位“态权”信息架构
因为神经收集单位与现有的人工神经元信息活动标的目的差别，处置办法亦差别（人工神经元是把差别节点的权重输入归一化处置，构成一个需要的输出；在那里我们所说的神经元是把一个模仿的输入信息离散成差别权重的空间节点输出），因为那两种神经元信息处置标的目的差别，按神经收集概念成立的先后次序，之前的称为“神经收集”，所以我们的神经收集单位就称为“逆向神经收集单位”。
位权量化器是把模仿信息改变为逆向神经收集单位信息的器件，转换办法为：用已经设置好的信息“幅度模子”去丈量模仿信息，模仿信息的输入幅度落入阿谁幅度区间，该区间的输出便输出一个二值脉冲，凡是一个“幅度模子”需要几个“幅度模子”区间，而且和进位造联系关系，二进造需两个“幅度模子”区间，三进造需三个“幅度模子”区间…….十进造用十个“幅度模子”区间等，一个“幅度模子”区间对应一个二值输出节点，如许三个“幅度模子”区间有三个二值输出节点，四个“幅度模子”区间有四个二值输出节点…….十个“幅度模子”区间有十个二值输出节点。如许，多个二值形态输出的节点在空间的散布，就演变成含进位造的多值态权信息组合，用二值形态判断那个节点有无输出，用有输出节点的散布位置暗示进位造内的某一个值。那就构成一个节点的形态输出有两层含义，一个是闪现的、现实运行的二值形态信息，一个是隐含的端子位置编号信息，二值形态有两个值，称为“态值”，隐含的节点位置编号称之为“权值”，权值只要一个值、是单值信息，那就构成了“量化逻辑”所述的“态权”信息架构。之前的转换过程全程与时钟无关，而转换完的二值输出节点组合。便受时钟收配，权衡二值多节点输出的多值信息，是以空间多输出节点组为单位，一个时钟周期下，那一组空间输出节点上的输出暗示一个多值信息，空间节点组上的各形态输出不克不及拆分。组中所有节点的二态输出为一根神经收集信息单位，组中一个凸出的或凹陷的脉冲输出节点位置信息就是那一根神经收集信息单位的权值输出。凸出或凹陷的脉冲输出就是“形态”，有“形态”输出的节点位置编号就是“权值”。实现那种功用的电路是专利
除了位权量化器之外，还有获得逆向神经收集节点信息单位的其它办法。
1：译码器
那个电路各人都熟悉，译码器的输出现实是尺度的神经收集单位，你总不克不及说译码器的输出是二进造信息吧，那是你只看到单节点的门输出关系； 若是你看到的是十进造输出，那你只是全局整体的对全数输出节点的综合评判；但凡全面的对待译码器的输出得不到完好的结论，只要完好的对待和理解译码器的输出，才气准确判断译码器输出的“态”“权”属性，译码器的那种单节点看是二值逻辑，整体看是多进造及十进造的特征，是典型的“态权”信息架构，二值输出为“态”，十进造输出为“权”，“态值”为载体信息，“权值”为映射信息，只要把“权值”映射到“态值”之上，才气完好的表达那种“态权”信息输出，那种既非纯“态”又非纯“权”的信息架构，便是逆向神经元所具备的属性。于是我们称其为逆向神经收集单位电路输出。详细的阐发理解我就不多说了。
把译码器的输出及单刀多掷开关的输出定义为神经收集单位信息，可能会有争议，但那是无关紧要的，重要的的是操纵神经收集实现十进造及其以上的各类进位的造数值运算，填补二值计算机的不敷才是王道，称呼有争议能够变动。
2：单刀多掷开关
在单刀多掷开关的刀上接入固定电压之电源，多个掷上的电压输出组合就是逆向神经收集单位。那里不在详述。
3：逆向神经收集的数字运算办法
所谓阵列运算、多值晶体管运算，其实都是逆向神经收集单位的分层运算和分形毗连，是一种固定空间逆向神经收集硬件规划，所有的运算办法均被逆向神经收集毗连所取代，所有的运算信息均被逆向神经收集毗连构造存储，所有的运算成果均被逆向神经收集毗连保留，实在的运算过程，就是用输入的逆向神经收集信息，对事先构建的空间收集规划、毗连、通路的激活并输出，只需消耗一个时钟周期即可完成运算。
所有的运算早已在硬件造造时按运算类型、运算成果“对应”毗连好的空间逆向神经收集收集硬件规划，运算过程只是用逆向神经收集单位信息“激活”相“对应”的“收集毗连通道”而得到谜底的输出过程。
上图所示是逆向神经收集计算机进位分形乘法器的收集毗连图，那里“分形”毗连所指的是对逻辑运算的各输出节点的“标识表记标帜”用“分形”手段把进位和本位别离，别离毗连到各自的差别属性的节点，产生差别属性的节点输出。分形手段同样适用于算法分形，例如：一个“标识表记标帜”节点可分形为加法运算、减法运算、乘法运算、取大取小逻辑运算等等各类类型的运算。那也就是专利申请“赋意分形算法电路”的核心所在。所谓的阵列式运算，多值晶体管型运算等，都是事先对逆向神经收集架构的规划设想名称。
矩阵交运算是能够用“逻辑与门”构成硬件逻辑矩阵，用一个逆向神经收集单位做为行矩阵，用另一个逆向神经收集单位为列矩阵，矩阵乘积为N×N方阵，方阵个输出构成标识表记标帜输出阵列，那种矩阵输出的标识表记标帜信息，既可做为加法运算、减法运算、乘法运算、取大取小逻辑运算等等各类类型的运算分形输入信息，又能够是指令控造、地址分配、过程控造等等系列操做的控造信息，那里就不远说了。
4.逆向神经收集运算收集搭建和毗连办法
十进造逆向神经收集计算机的核心，是用现有硬件搭建收集运算系统，构建收集的过程是互相网联、决策、判断、选择确定的过程。第一，收集运算类型选择，第二，依赖与第一的决策，选择逻辑运算硬件，也考虑第三第四决策，准确选择硬件属性。第三，依赖于第二的决策，也考虑第四决策，选择信息走向及毗连去向，第四，依赖于第一、第二、第三的决策，选择运算办法及运算成果毗连节点。所有那些搭建运算收集的办法，能够归纳综合为：“量化赋值”（神经收集单位构成），“逻辑运算”（产生量化标识表记标帜），“赋意分形”（按之前的选择确定信息走向），“承意毗连”（按之前的运算办法、要求、把得到的运算成果毗连到对应节点）。那也就是“逆向神经收集”的组网的根本办法。
以八进造加法运算为例申明那种组网办法。第一“量化赋值”，进位造有二进造、三进造、四进造……至无限进造，选择为八进造，选择八进造量化器，得到八进造逆向神经收集信息。有八个空间信息节点，用两路八进造逆向神经收集信息停止加法运算。第二“逻辑运算”，两路信息运算只需要能对两路输入停止逻辑运算的逻辑单位，选二输入“与”门，根据“量化逻辑”全值“与”逻辑的逻辑运算办法，八进造运算需要六十四个二输入与门，构成空间8*8矩阵，产生六十四个“量化标识表记标帜”，（矩阵交运算）。第三“赋意分形运算”，任何进位造的加法运算城市产生进位，于是就有“本位”和进位之分。（任何一个都数字能够停止加、减、乘、除、取大……等运算，因而又有“算法分形”）。用三道门或二极管都可做分形元件，分形管的选择原则是：信息传递功用，隔离功用，隔离的原因是下一级的毗连会在一个节点上有许多个毗连构成“线或”，而线或是典型的单值逻辑运算（不允许有差别电平输入）。第四“承意毗连”，按之前三步选定进位造式、运算类型、谜底类别、和运算关系把分形后的运算输出，别离毗连到逆向神经收集单位两类差别的输出节点上。（进位节点2个，本位节点8个）。如斯反复128次，即可成立起八进造逆向神经收集加法器的收集骨架。加上输入的两路16条线的搭配组合毗连（128次），共有256次的毗连操做才气构成运算收集。
我们把本位以及撑持矩阵运算单元的硬件构成由一个具有“与”逻辑属性的电路和两个能对输出隔离的三态逻辑电路或二极管逻辑电路构成硬件撑持，如下图：
分形的感化前面已经说了，再说隔离电路，因正态收集矩阵不需要二值逻辑的低电平输出，具有二值输出的与逻辑门的低电平输出是多余的，因而需要隔离。下图是用二值逻辑电路构成的“八进造加法运算收集毗连办法”。
你能够参照上述图形，也能够设想运算，例如八进造运算4+5=11能够在图中找到Y45与逻辑门，还能够查看该门输入是A是第4线，B是第5线（赋意），输出用二极管分两路（分形），因为是八进造，故一路毗连到本位输出线第1线上，另一路毗连到输出进位线第1线上（毗连）。运算过程：当输入线组中A组第4线是高电平，B组第5线是高电日常平凡，与门Y45开启，与门输出经两个二极管别离毗连到输出本位第1线和进位第1线上，故此两条线酿成高电平，通过编码电路数显电路，即可显示本位1进位1。就那么简单。
那里的分形仅仅是对“进位”和“本位”的分形，其它算法分形因图形太大，无法公开。
晓得逆向神经收集运算的组网过程后，即可以动手搭建实体电路，先从简单动手。逐渐深切搭建更大的收集。二进造神经收集单位：一个逆向神经收集单位只要两个空间变量0和1，两个空间节点 ， ，和 ， 。用一个与门芯片，八只二极管。四个与门Y00,Y01,Y10,Y11按阵列形式散布，八个二极管两个一组别离毗连到与门的输出端，做分形管利用。输入逆向神经收集单位信息用两条线暗示，两组输入共四条线， ， ，和 ， 。构成逆向神经收集加法器的输入层，把四个与门的八个输入端停止搭配组合，别离与输入的四条线毗连，把四个与门的四个输出端毗连分形二极管，一个端子上毗连两个二极管正极，八只二极管有八个输出节点，用和输入不异的办法，用四条线暗示逆向神经收集输出层，输出仍然是 ， ，和 ， 。不外那里 ， ，做为本位输出层， ， 做为进位输出层。把Y00门上接的两个二极管按运算成果（0+0=0）别离毗连到输出层的本位线 ，进位线b0上。把Y01门上接的两个二极管按运算成果（0+1=1）别离毗连到输出层的本位线 ，进位线 上。把Y10门上接的两个二极管按运算成果（1+0=1）别离毗连到输出层的本位线 ，进位线 上。把Y11门上接的两个二极管按运算成果（1+1=0进位1）别离毗连到输出层的本位线 ，进位线 上。
如许输出层输出的逆向神经收集信息，便就是二值加法输出，喜好的伴侣能够毗连一些编码显示部件，展现运算成果
从上图能够看到，用逆向神经收集构成的加法器，就把单只二极管算做一个元件（现实集成电路是把两只看做一只）只要12只元件，明显的比用二值逻辑建成的28管加法器少16只元件，那也是逆向神经网路所具备的优势。
下面公开一些差别进位造的逆向神经收集加法器的仿实图，各人能够本身体味。喜好脱手的伴侣能够造成各类差别进位造的加法器，乘法器、减法器、除法器以及一些工程控造利用的控造器等许多逻辑控造器件。不喜好脱手的伴侣，只要会利用电路仿实软件根据下面图形毗连，确定参数，能够系数仿实肆意进位造的运算。
需要申明一下，关于显示，从人们的生活习惯来说，数学的计算用数字显示最为曲不雅，但是，指示灯显示对逆向神经收集单位来说更为曲不雅，不外没人留意评判那种显示的含义，伴侣们不方把一组显示灯当做一个不成朋分完好的数据来对待，有灭有亮，互相比照。当你能想到开头所说的内容的话，你应该就大白逆向神经收集单位信息是怎么样的一种信息。其实我们早已习以为常了。
三进造逆向神经收集加法器，9个与门和18只二极管构成，搭接收集的办法仍然是用三进造神经收集信息做为输入层，9个与门按量化逻辑的全与逻辑关系毗连起来做为逻辑运算层，9个逻辑门Y0,Y1,Y2…….Y9产生9个标识表记标帜输出，用两个一组（只要进位和本位）把两二极管正极和标识表记标帜节点毗连，各标识表记标帜输出点上毗连一样，如许产生18个输出。输出层因是三进造，故设立三条线为本位位权线 ， ， ，设立两条线为进位位权线 ， 。输入两路逆向神经收集单位信息 ， ， ，和 ， 。用量化逻辑中搭配组合的办法先搭成逻辑运算部门，然后（赋意）两位三进造停止加法运算，再（分形）加法运算会产生两种差别信息，进位信息，本位信息，之后再（承意毗连）如：1+2=3，3已经满值，换成进位和本位两种表答体例，进位为1，本位为0。把一只分形二极管毗连到进位1线上，另一只二极管毗连到本位0线上……..如斯频频依次操做9次，三进造加法运算全数完成，运算收集也搭建起来。
5.多进造逆向神经收集计算机加法器电路展现：
6.多进造逆向神经收集计算机整体架构
因为逻辑思惟的差别，对计算机的架构设想有较大不同，二值逻辑思惟下计算机内部所有部件都运行在二值形态，所有的不适应设备信息，必需用转换器件转为二值形态，输出也是一样，如许实在的二值计算机现实上是一个封锁运行的自闭系统，无法与天然信息有效跟尾，那就使得实现智能化时碰到困难，大量的外部设备能否与计算机共同，将是权衡计算机人工智能关键。
逆向神经收集计算机是按量化逻辑思惟设想的机器，除机器内部系统运行的信息是多进造信息之外，还耽误了计算机罗致信息的才能，天然信息自己就是多值化的（不是报酬多值化），若是能让计算机运行信息和天然信息协调一致，那么，计算机人工智能就会向前迈进一大步。那也是我们所等待的。下图是逆向神经收集计算机的一种构造设想，有兴趣的伴侣能够认真阅读。有一种捷径，操纵译码器的输出做为逆向神经收集计算机的输入输出信息，在目前来看能够兼容当前大量利用的软件系统，但其素质仍然和二进造计算机一样，只不外计算机内部运行接纳多值信息罢了。
二进造计算机和多进造及十进造逆向神经收集计算机信息处置流程构造办法比力
至于其它进位造的电路图我就纷歧一贴出了，留给网友本身用我供给的办法组建。
7.多进造逆向神经收集计算机效益
关于运算速度
逆向神经收集计算机其运行关键部件是简单逻辑门和二极管，是高度并行的收集毗连规划，信息从输入层到输出层只履历四尽管子（包罗进位运算），任何一种运算只需启动那四尽管子构成的串联毗连通路，四尽管子5个节点的电压成立时间，就是机器运算的速度。若是要用时间来权衡，所有的运算只用一个时钟周期（不含当次运算依赖前次运算的成果的运算要求）。因而，进步工艺程度，任然会对速度有极大的进步。
关于能量消耗
逆向神经收集计算机因其是高度并行的收集架构，其一位运算收集运行的逻辑部件只要两只场效应三极管和四只二极管，能量消耗次要是传输过程的能量丧失，工做的管子不需要电源，只从输入信息中罗致电力，所以，大量的元件都处于无电的寂静形态，如许节约的电力是无可相比的。进位造越高越省电，是逆向神经收集计算机的庞大特征。那里原因很简单，因为逆向神经收集计算机，无论是二进造仍是三进造仍是四进造…..十进造一百进位造….。运算器运行的是按照逆向神经收集信息单位的信息运转，一个逆向神经收集单位中只要一个节点是有效信息，所以在浩瀚的收集毗连中，激活的只要一路收集信息通道，也只要此一路信息通道上的元件才消耗能量，而且只是传输型消耗，丧失甚微，用逆向神经收集单位的信息输入能量，完全能够满足通道上的传输损耗。如许，无论是十进位造，仍是百进位造，仍是千进位造，虽然构成收集的元件数量庞大，但只要一路四尽管子才消耗能量。其它元件寂静，寂静意味着不加电，那就是进位造越高越省电的原因。那种情况，网友们可畴前面图中十进造逆向神经收集加法器中我所标注的运算线中看到，网友们也能够换一种输入数字，你看能够打通那些通道，封闭那些通道，封闭了几通道。封闭通道处于一种什么形态。
关于运算才能
逆向神经收集十进造信息不克不及用二进造信息单元“比特”来暗示，因为两种信息表达架构差别，进位造差别，关键是那两种信息来源于差别的“逻辑关系”，故此有着庞大的不同。按量化逻辑的根本思惟，十进造及多进造神经收集信息是空间散布的多个节点信息构成一个整体信息，且那种构造是不克不及朋分的，每一个逆向神经收集信息是一组多个节点的单位信息，不是孤立的单节点信息。因而用“簇”那种象征着空间“一捆”“多条”会聚到一路的词，来表达逆向神经收集单位信息的信息量最为贴切。如许，一簇二进造信息有两个空间变量
T=a0，a1。一簇三进造信息有三个空间变量T=a0，a1，a2。一簇四……..。再因为逆向神经收集单位信息的构造（因是空间信息，于是有构造）大都节点处于寂静形态，独一有一个节点信息处于“凸出”或“凹陷”的表达办法，于是肆意进位造的逆向神经收集信息本色有效的信息只要一个，表示在一个节点上，在差别的时间间隔里，在各个节点上轮流的呈现“有效”形态，那和当今二值逻辑信息不同甚远。
逆向神经收集计算机信息量值“簇”和二进造计算机信息量值“bit”之间的关系。因为“簇”和进位造相关，所以，差别的进位造所暗示的“簇”信息和bit的关系是差别的。
二进位造的 一“簇” =log2(2)=1(bit)
三进位造的 一“簇” =log2(3)=1.58(bit)
四进位造的 一“簇” =log2(4)=2(bit)
...... .........
十进位造的 一“簇” =log2(10)=3.32(bit)
100进位造的 一“簇” =log2(100)=6.65(bit)
1000进位造的 一“簇” =log2(1000)=9.96(bit)
一簇十进造信息相当于log2(10)=lg(10)/lg(2)=1/lg(2)=3.321928bit二进造信息，因而一位十进造数相当于3.321928位二进造数，一台10位十进造逆向神经收集计算机相当于一台33.21928位的二进造计算机。
一台 3进位造的逆向神经收集 一位计算机相当于一台1.59位的二进造计算机
一台 4进位造的逆向神经收集 一位计算机相当于一台2 位的二进造计算机
…… ……
一台 10进位造的逆向神经收集 一位计算机相当于一台3.32位的二进造计算机
一台 100进位造的逆向神经收集 一位计算机相当于一台6.65位的二进造计算机
一台1000进位造的逆向神经收集 一位计算机相当于一台9.96位的二进造计算机
此即为多进造计算机的运算才能。
写在最初的话：
逆向神经收集计算机是把人类运算才能附着在空间收集长进行运算的计算办法，在硬件利用上并没有特殊构造，仍然利用具备天然属性的二值逻辑电路，不外从理论构造上而言，空间收集的成立仍然要打破二值逻辑思惟的诸多限造，改动人类对天然事物的认知，才气实现有意义的逻辑理论。
本解密文件，深入的提醒了胡五生关于多进造及十进造逆向神经收集计算机的奥秘面纱，其实都是一些极为简单的逻辑组合。因胡五生专利涉及范畴较广，大大都为计算机范畴，围绕着计算机的构成而申请的专利手艺庇护，如：运算器类，控造器类，存放器类，总线收发控造类，移位、地址控造类，目标是想要成立起比力完好的实现新型计算机硬件。欢送广阔伴侣研发晋级，我希望广阔网友能在我研发的根底上，有更高的打破，但应当留意研发的引用，凡是涉及到我专利的手艺，不克不及侵权，更不克不及据为己有并鼎力大举宣传，干扰市场运做。
若有侵权，肯定严惩。
有兴趣的伴侣能够拜候（天水蓝灵的微博），上面有大量完好的专利内容能够阅读。
甘肃省天水市 胡五生