Распознавание

После того как НТМ выучила паттерны из своего мира она может проводить распознавание новых входных данных. При получении очередного входа НТМ будет сопоставлять его выученным ранее пространственным и временным паттернам. Успех такого сопоставления составляет основу распознавания паттернов.

Подумайте о том, как вы распознаете музыкальную мелодию. Первая нота, которую вы услышите из нее, скажет вам весьма мало. Вторая нота, возможно, существенно сузит круг потенциальных вариантов, но их все равно может оставаться много. Обычно требуется три – четыре, или более, нот для того, чтобы вы узнали мелодию. Распознавание в НТМ регионе очень похоже на этот процесс. Он постоянно просматривает поток входных данных и сопоставляет его с заранее выученными последовательностями. НТМ регион может найти соответствие и с самого начала последовательности, но обычно его работа подобна более гибкой аналогии того, как вы распознаете мелодию начиная с произвольного ее места. Поскольку регионы НТМ используют распределенные представления, использование в них памяти последовательностей и их распознавание несколько более сложны, чем этот простой пример с мелодией, но он дает отличное представление, как все работает.

Хотя это может быть не совсем очевидным, но если у вас уже был некоторый сенсорный опыт, вы легко найдете похожие на него паттерны во входном потоке. Например, вы вполне можете узнать слово «завтрак», произнесенное кем угодно, независимо старый это человек или совсем юный, мужчина или женщина, говорит он быстро или медленно или же с жутким акцентом. При этом, даже если один и тот же человек скажет слово «завтрак» сотню раз, звуки этого слова никогда не повторят стимуляцию вашей улитки (аудиального рецептора) в абсолютной точности.

НТМ регион сталкивается с точно такими же проблемами что и ваш мозг: исходные данные никогда точно не повторяются. Следовательно, также как и ваш мозг, регион НТМ должен уметь обрабатывать новые входные данные во время распознавания и обучения. И он может это сделать с помощью использования разреженных пространственных представлений (репрезентаций). Так как, их ключевым свойством является то, что вам нужно сопоставить только некоторую часть паттерна, чтобы быть уверенным в существенности всего совпадения.