独立层次
基本模块：不同层次的划分，然后是大规模的矩阵运算
专家系统，人工智能，人机思考
数据库：模型，编程
知识，作为经验，是贝叶斯网络的迭代前提
数据库的信息查询，通过一定的逻辑组合得出新变量的关系，也可以通过一定程度的匹配和统计
数据可视化是象层次的运算，以人能够理解的方式，以一个比较大的颗粒度，利于信息的传递，以比较大的效率。同时这是一种高维数据的提取，或许有一定的模式涌现
相对的数据关系，不同层次的相对比例是高维的关系
破缺是更大层次的耦合的前提
高高低低的意义是网络的整体变化，不同的处理的结果不同，我们要探索高维的结构，这可以从足够数量的不同时间来替代单位时间的足够数量的变化。如特定的变化之间的相关度（疾病与一定分子浓度的关系）。结合photosynth软件的图像集合的思想，我们生物医学方面的分子作用（如同图像的基本单位）可以重构成为完整的网络。每一次拍照都是一次观测，多次观测的集合根据一定的相似性来建立一定的连接序列，即一定的全景，这可以参考基因组测序
复杂系统的不同层次的投影，即化繁为简，这是还原论，接下来的组合就是整体论，即选择性表达
结合生理知识，建立生物式的专家系统（领域，词汇，规则）
知识是大规模的数据形成的经验，知识的描述是不同功能的匹配，语义网络是一个整体性的模式，规则是一定的简化的本征，如同逻辑
生命活动的新陈代谢（交换），兴奋性（响应变化）和生殖（生长发育的阶段）。阈值是矩阵网络的运算的一个本征
一切都是概率的语言，每个步骤的推理都有一定的可信度
图形化规则语言，处理事实和关系：属性谓词和值
是非型10100101的网络的整体本征是信息，也可以划定一定的范围的离散或连续的值
复杂规则的集合，如同有一个经验丰富的专家的大脑在推理机里面
语言—函数—函数的调用
CF范围决定方向的进行，上下文的定义可以与代谢的网络相似，不同概率的联系
规则库是模块式的，是一个原子，其逻辑的判断可以形成矩阵，并与其他矩阵耦合
我偏向于数据库的相似性匹配构建的关系网络
列表处理是lisp语言的明智之举，这是大规模数据运用的基础；物理的原子思想的引入是模块化的基础，也是物理的统计定律的运用之初
数据结构：栈，队列，链表，树，并查集，堆和图
算法：排序，枚举，深度和广度优先搜索，图的遍历
网络的数学形式是各个层次的共存和再生，这是模拟自然和社会的自组织结构。层次可以处理为各种群，群的联系方式是通路还是交换，我觉得是共存的也是竞争的，都是网络的选择性表达。网络的各种不变量是本征的
网络的拓扑性质不仅仅是各种不变量，还有在变化中保持稳定变化的整体关系
检测技术是发展网络的前提，误差的更深层或许是一种本征，即分布
网络和微分方程的相似性
浓度，电流，电压，温度等等的性质的相互转换可以使得测量成立（升维到网络再提高选择性表达降维），最重要的是频率（傅里叶分析的时域---频域是高维结构），如同显微镜的观测，找到最小识别度的两点
构建电路网络或许能够提高精度，利用网络的相似性
频率的测量需要考虑相对性
线性范围及多线性的耦合，不同方法的耦合能够提高精度
如试剂盒的检测就是特定生理病理过程的网络的本征寻找：无限复杂的网络总会有和网络整体表达息息相关或相关性极大的个体表达
研究到了分子层次，接下来就是触底反弹了，即使用系统的网络来统合分子层次的信息，使得其组合可以使用一定的模式来描述。利用大数据和概率论，大数定律和中值定理，找到真正的本征，即网络的波函数描述，使得不同的环境的不同表达可以统合在一起，这是生物层次的万物定理。这方面生物信息学很有潜力：序列的匹配与层次的耦合的关系，比对的相似性与矩阵的打分与网络的本征，各种算法如隐马尔科夫对概率网络的描述，大规模的运算是层次之间的博弈，无限排列组合的排除和路径选择，各个层次的收敛和相对性
专家系统的知识提取是基于大数据的模式涌现，知识网络基于一定规则
Lisp语言
思维的延伸，基于网络的经验，使得环境的选择性表达能够接近本征，即有效和迅速
知识使得我们可以处理概率，一般的解释则是概率的组合，允许知识的加入。构建基本的网络
策略和知识是耦合的结构
层次的结构
数据表，数组，串，线性连接，函数式，数据和程序等价
多重击中是知识从经验提取出来，即一种耦合，根据贝叶斯公式概率提高
形式化的知识
结合数据库，CAD，模式识别，数据采集，接口技术
知识的网络层次
自然语言的知识表示，通过关键词的频率来表示网络的本征
学习型的专家系统的构建比较适合我，最重要的是可以成长，不断地补充新知识
开发：组织和管理；程序的集成；知识，语法，推理链等等的错误（检查通过概率的耦合程度）
基于规则：事实列表（数据），知识库（规则），推理机