大脑---nupic深入学习（二）

【在脑皮层学习算法 —nupic的深入学习（一）中，初步探讨了HTM算法的整体结构，后续内容将着重解析空间池与时间池的基本原理。

首先回顾一下HTM算法的主要流程：

1. 构建输入的稀疏离散表示
   近端树突接收编码器输入，将二进制向量转换为稀疏离散表示（SDR），此时柱状区域内的所有单元均会被激活
   潜在突触：

2. 在已有输入的基础上构建输入的表征
   若某一柱状区域被激活，当存在一个或多个处于预测状态的细胞时，这些细胞将被激活；否则，整个柱状区域将全部激活

3. 在已有输入的基础上根据当前环境生成预测

下面这段内容摘自白皮书，说明该算法如何实现预测功能
区域是如何进行预测的？当输入模式随时间发生变化时，不同集合的柱状区域和细胞会按顺序被激活。当某个细胞被激活时，它会与之前立即活跃的一组邻近细胞形成连接。这些连接的建立速度取决于应用所需的学习速率。随后，一个细胞只需观察这些连接是否存在同步活动。如果连接变得活跃，则该细胞可以预期自己可能很快也会被激活，并进入预测状态。因此，一组细胞前馈激活将会引发其他通常随后出现的一组细胞进行预测性激活。可以将其想象成当你识别出一首歌曲后开始预判接下来的音符。
——–
总而言之，当新的输入到来时，它会导致一组稀疏活跃的柱状区域出现。每个柱状区域中的一个或多个细胞会被激活，并