通感，各种感觉太过一定的信息转换来构建等价性，如brainport的系统使得盲人能够用舌头学会“看”。
大脑的学习机制本质上是对新节点的插入的整合机制，因为大脑其实是处于激烈的动态变化，层次之间不断产生新的交互，如同免疫系统，从而对环境具有更大的适应度。我们就可以把适应度函数作为一种定义的函数。
信息可以表达为电流的流动，其具体的方向强度位置等等都携带一定的信息。
以神经元为学习单位，根据已有的数学模型作为具体运算模式，以线性的表达可以把其表达式的各种参数视为权重。对数据的处理就不一定遵照完全的大规模的线性计算，而是根据一定的规则如制定阈值来筛选（动作电位需要高于阈值才能传递），而且最后的计算也是根据一定的非线性处理规则来的。这个过程就如同马尔科夫序列，得出的结果都是概率性的分布，即我们认为的高维计算。就如同自然选择的进化中，在保持大方向不变的前提下不断引入新的变异，自然不需要数学式的精准。也就是说，矩阵的传递是其底层元素的线性元素经过非线性筛选的结果，这是一种高维运算。
权重的分配就是一种线性的回归分布，但权重的得出也是经过一系列的计算。因此神经网络本质上是对高维量的计算，其把原有的数据（原始特征）表示为更复杂的矩阵形式（多个层次，提取出更底层的层次，理论上分类的层次越多能够做出更好的描述），即根据特征值构建一定的矩阵。
具体的实现（需要良好的函数定义和取值）：神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑and、逻辑或or（权重的分配可以用于构建不同的逻辑运算and、or、not）
然后在这种底层的逻辑结构构建更高维度的结果，这与我们的计算机的底层运算是一致的，可以不断往上遍历形成更加高维的结果，即更加复杂的函数。
代价函数（对误差的测量，可以不断迭代），通过定义来对某一标准进行可计算的比较，生物信息的打分矩阵思想应该就是源于此，在这里可以作为分类的标准。如
n维的数据的计算，矩阵的交互来表示其运算，但这种运算不完全是按照矩阵的乘法，而是在不同环节有选择地进行一些处理，如根据代价函数来排除一些数据之类的。
纯猜想：具体关系的形成，路径形成/坍缩退火：结合神经网络的正向传播方法和反向传播方法选择最大概率的路径，其分别的结果形成的基底的选择性表达对应于现实情况（博弈达成的均衡）。前者是矩阵的运算，后者是从最后的层次进行误差计算，一直倒推到前面的层次。我们知道代价函数是一种标准，这些方法就是为了达到标准所采取的策略。
把参数从矩阵展开成向量，降维分析，把复杂的对象降维到最基本的一维序列，然后在这个层次进行各种算法的优化分析。
检验，避免可能的局部最优化。参数的随机初始化，可以在进一步的迭代中不断包含直到收敛。
神经网络算法的可实现性，其网络结构是足够多的分层来逼近真实情况（层次的交互）。第一层的单元数即训练集的特征数量。最后一层的单元数是训练集的结果的类的数量。如果隐藏层数大于1，确保每个隐藏层的单元个数相同，通常情况下隐藏层单元的个数越多越好。我们真正要决定的是隐藏层的层数和每个中间层的单元数。
如何借助这些成功的算法来构建我们需要的对医疗数据进行运算的算法？这是我一直在思考的。毋庸置疑，机器学习是我们不可或缺的选择。在我们达到最终的理想，完全的数据理解人类（真正意义的数据人）之前，我们应该首先开发可用的一些诊疗平台。幸运的是，在医疗方面我们已经有大规模的数据，只是我们需要以很好的组织形式来整理它们。目前的算法不仅仅是对运算的对象进行迭代，还有对自身参数进行迭代运算，这种耦合的运算模式很对我的胃口。以上这些算法本质上都是在做一个工作，分类，我觉得这是底层的各种，然后如何在这个基础上构建新的联系就是具体的应用。这种思路是目前来说，我的眼界所能够理解的最好的方式：选择一定的可运算的对象，构建一定的判断标准函数，建立一定的模型，迭代运算，不断优化。理论上能够做到的极限就是对世界上所有的基本都建立一定的模型，然后可以根据新病人的数据输入来快速匹配到其中精确的分类（我一直强调的序列，可以根据五行可能的关系映射），然后得出诊断和治疗方案。
任何高级功能的实现都需要我们选择一定的路径及特征量，这是一种降维的思路。然后不断改进，对更多特