3、探索请求确认网络与累积学习任务分析方法

探索请求确认网络与累积学习任务分析方法

1. 请求确认网络（ReCoN）概述

请求确认网络（ReCoN）有多种实现方式，如单个人工神经元或使用适当初始化的长短期记忆网络（LSTMs）。在本次项目里，它在MicroPsi2中被实现为一种特定的节点类型，具备五个门和插槽（gen、por、ret、sub、sur），还有一个实值激活值 𝛼 来存储节点状态。各状态对应的 𝛼 值范围如下：
| 状态 | 𝛼 值范围 |
| ---- | ---- |
| 失败 | 𝛼 < 0 |
| 非激活 | 0 ≤ 𝛼 < 0.01 |
| 请求 | 0.01 ≤ 𝛼 < 0.3 |
| 抑制 | 0.01 ≤ 𝛼 < 0.3 |
| 激活 | 0.3 ≤ 𝛼 < 0.5 |
| 等待 | 0.5 ≤ 𝛼 < 0.7 |
| 真 | 0.7 ≤ 𝛼 < 1 |
| 确认 | 𝛼 ≥ 1 |

ReCoN 不仅能执行具有离散激活的脚本，还能在过程中执行额外操作，通过在请求和确认步骤计算额外的激活值来实现。

2. ReCoN 用于手写算术表达式提取与计算

这里展示了如何将 ReCoN 与神经网络结合，从扫描图像中提取手写算术表达式，并利用 ReCoN 的终端节点连接到栈机器进行相应的算术运算，具体执行分为三个阶段：
1. 图像解析与识别 ：包含算术表达式的相机图像被解析成单独的数字和数学运算符图像，然后分别输入到预训练的多层感知器（MLP）中。
2.