人工神经网络推测方法和游戏的制作方法

专利名称：人工神经网络推测方法和游戏的制作方法
技术领域：
本发明一般涉及人工智能游戏，特别涉及一种在“猜测”游戏中使用人工神经网络学习技术的新的有效方法。
背景技术：
人工神经网络(ANN)在本领域中广为人知，大致在Wood申请的(“神经网络学习方法(Neural Networks Learning Method)”)1990年3月27日公布的美国专利第4,912,654和在Nishimurs申请的(“具有神经元权值和反馈系数修改的神经网络(Neural Network with Modification of Neuron Weights and ReactionCoefficient)”)1993年6月22日公布的美国专利第5,222,194中均有描述。
一个广泛使用的神经网络(多层感知器)包括成层安装的称作神经元的多个处理部件。连续层的神经元之间构成互联。网络具有一个输入层，一个输出层，和在输入层和输出层之间的一个或多个“隐含”层。该隐含层是用来解决非线性问题必需的。每个神经元能够产生输出信号，该输出信号是由它接收的输入信号的加权和以及特定到该神经元的阈值确定的。神经元得到输入(或者从网络外面，或者从其它的神经元)并用该输入计算一个线性的或非线性的输出。神经元的输出或者输出到随后层的其它神经元，或者输出到网络外面。每个神经元的输入信号用学习过程中导出的因子正或负加权。
当权值和阈值因子已经设置为正确的水平，位于输入层的复杂激励模式连续地在隐含层之间传送，以产生输出模式。该网络通过馈送给它连续的输入模式和相应所需的输出模式进行教学；该网络通过在每个输出神经元测量所需输出模式和它刚刚产生的模式之间的差异进行学习。
这样做之后，内部权值和阈值通过学习算法进行修正，以提供更接近所需输出模式的输出模式，并在输入模式的整个范围内将误差最小化。神经网络学习是一个迭代过程，包括多个课程。
概括地讲，神经网络已经被用于控制应用，(1)作为用于模式识别、诊断、传感器融合、动态系统识别等等的子系统；(2)作为“仿制品”，其通过模仿专家的做为来学习模拟人类的或仿真的专家；(3)作为“跟踪”系统，其学习试图制造附着于预选参考模型的外部环境的动作策略；和(4)作为在时间上最大化或最小化性能测量的系统。
在此描述和要求的本发明包括神经网络系统，该神经网络系统被用于在游戏中在向用户(游戏者)询问若干问题之后“猜测”他考虑的是什么。这种游戏-猜测游戏-的概念不是新的；然而，传统的猜测游戏使用实现人工智能(AI)的其它方法。例如“专家系统”，是把一组事实和规则输入到执行装置，随后在缺乏新输入的情况下，所述执行装置对于相同的问题给出相同的答案。这种系统使用决策树生成所需输出。所述决策规则和由规则组构成的树必须设计用于特殊的应用。上述的AI实体被认为是“非学习AI实体”。
非学习AI实体包括知识库和多代理处理方案；知识库是围绕进行推理和回答询问的信息和规则的集合而组织的，而多代理方案合并了在固定算法上操作的多个实体。所述集合经常包括便于人们更新支配其行为的算法、推理规则和其它指导的方法。然而，“学习”事实上发生于其人类管理者，而不是集合本身。
此外，另一个在上述系统中非常明显的主要问题是他们没有能力处理不准确的或误导的信息如果游戏者不正确地回答问题，这将引起该系统沿着决策树的错误的“分支”引导得到错误的答案(或猜测)。
这种限制使在上述游戏中采用具有更高层次的人工智能的神经网络代替所用的专家系统成为必需。本发明符合这种需要。

发明内容
为了克服如上所述现有技术的限制，并克服在阅读和理解本发明说明书中将明确的其它限制，本发明提供一种猜测方法，其在电子游戏中，在询问用户至少一个问题之后，从一组目标对象中猜测该用户正在考虑的一个对象，该方法采用以目标对象-问题(target objects-by-questions)的矩阵格式构造的神经网络，其中矩阵的每个神经元定义了输入-输出连接权值，该神经网络可以在第一模式下使用，其中询问问题的答案是输入节点，目标对象是输出节点；并可在第二模式下使用，其中目标对象是输入节点，问题是输出节点，该方法包括以下步骤利用第一模式下的神经网络通过下列步骤排列目标对象，即将至少一个答案映射到权值，把该答案的权值与神经网络中对应于该问题及排列的目标对象的神经元的权值相比较，根据赞同度(agreeability)暂时改变对应神经元的权值，并按照改变的神经元权值评价目标对象；利用第二模式下的神经网络排列问题；按照目标对象的排列提供猜测结果；按照答案的映射权值和调整之前的神经元权值之间的赞同度调整对应于猜测对象的神经元权值。
按照本发明的一个方面，排列问题的步骤是通过下述步骤提供，即将对于问题的可预测的答案映射到关于高排列目标对象的正和负的权值；合计赞同的权值和不赞同的权值，并计算对于每个问题的两个总数之间的差额；根据该差额评价所述问题。
按照本发明的另一个方面，排列问题的步骤是通过下述步骤提供，即对于每个问题，计算在对应于最高排列目标对象及该问题的神经元权值和对应于其它高排列目标对象及该问题的权值之间的差额；通过比较每个问题的差额和其它问题的差额来评价所述问题。
按照本发明的又一个方面，提供了一种以X-Y矩阵格式构造的神经网络，其中该矩阵的每个神经元定义一个输入-输出连接权值，该神经网络可以在第一模式下使用，其中X轴的元素是输入节点，而Y轴的元素是输出节点，也可在第二模式下使用，其中Y轴的元素是输入节点，X轴的元素是输出节点。
按照本发明的再一方面，提供了一种用于在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的游戏，该游戏使用以目标对象-问题矩阵格式构成的神经网络，其中矩阵的每个神经元定义一个输入-输出连接权值，并且该神经网络可以在第一模式下使用，其中对所问问题的答案是输入节点，而目标对象是输出节点，和在第二模式下使用，其中目标对象是输入节点，而问题是输出节点，该游戏包括在第一模式中利用神经网络排列目标对象的装置；在第二模式下利用神经网络排列问题的装置；和根据目标对象的排列提供猜测的装置。
按照本发明又一方面，提供了一种承载指令和数据的表达的计算机可读媒质，以使计算机或手持装置执行在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的方法，该猜测方法利用以目标对象-问题(targetobjects-by-questions)矩阵格式构成的神经网络，其中矩阵的每个神经元定义一个输入-输出连接权值，并且该神经网络可以在第一模式下使用，其中对所问问题的答案是输入节点，目标对象是输出节点，也可在第二模式下使用，其中目标对象是输入节点，问题是输出节点，该方法包括以下步骤利用第一模式下的神经网络排列目标对象；利用第二模式下的神经网络排列问题；和根据目标对象的排列提供猜测。
本发明提供了允许系统根据经历和游戏者的输入主动或被动地改变其行为的优点。
本发明还提供处理不准确的或误导信息的优点。


本发明，它的组织、结构与操作将参考以下的详细说明结合随后的附图进行更好的理解，其中图1A是对初始的未被激励的问题如何激励目标对象给出类似矩阵的可视图示的表格。
图1B和1C是对目标对象激励问题的实例给出类似矩阵的可视图示的表格。
图2示出了将答案映射到权值的实例。
图3A到3D是说明目标对象排列过程和神经元权值的调整的类似矩阵的表格。
图4是说明问题排列过程的类似矩阵的表格。
图5是说明另一个问题排列过程的类似矩阵的表格。
图6A和6B是示出不同的神经元权值是如何用于不同的统计目标的类似矩阵的表格。
具体实施例方式
给出下列描述以使使所属技术领域的任何技术人员能够利用本发明，该说明是在特定申请及其要求的情况下提供的。对该公开实施例的各种变形对所属技术领域的技术人员来说是显而易见的，于此阐述的一般原理可以应用到其它实施例和应用而不脱离本发明的精神和范围。因此，本发明并不意欲局限于示出的实施例，而是要给予与此公开的原则和特征一致的最宽范围。
普遍地理解在下文中使用的术语“错误的”、“不准确的”、“误导的”和“不一致的”是可互换的。同样，将普遍地理解用于本文件的诸如“训练”、“教授”、“学习”、“懂得”和“课程”的术语是用于神经网络感知的。另外，将普遍地理解在下文中使用的术语“排列”和“按优先次序排列”是可互换的。
ANN是由神经元(或简称节点)和所述节点间的连接组成的计算模型。每个连接的强度是通过称作“权值”的数值表示的，该权值是可以修改的。给定节点的激活是基于具有指向该节点的连接的节点的激活和在这些连接上的权值。通常，神经网络结合了某些称作“输入节点”的特殊节点及其激活外部设置，而其它节点则称之为“输出节点”。
在本发明中，神经网络以矩阵格式(X-Y)构造，其中神经元定义为权值，其可以X轴作为输入节点而Y轴作为输出节点地使用，或反之亦然。具体地说，本发明的神经网络是“问题”/“答案”对“目标对象”的矩阵。矩阵的神经元定义了问题/答案和目标对象之间的关系，该矩阵可以以问题/答案作为输入节点而目标对象作为输出节点地使用，或反之亦然。
在本说明书和权利要求中，“交换”意思是“输入节点变成输出节点而输出节点变成输入节点”。
因为在本发明中的ANN是用于一种询问游戏者若干问题、而后猜测游戏者所想的游戏，上面描述的矩阵格式提供了以下的优点答案有时激励某些目标对象，在另一些场合，目标对象激励某些答案的获得，换句话说，激励了某些问题将被询问。如果输入节点是问题的答案，则输出节点是较佳对象(即可能的对象)；如果输入节点是较佳对象，则输出节点是被询问的最好问题。这将通过实施例很好地描述。
第一个问题通常是确定游戏者所考虑的是否动物、植物、矿物等，(显然，初始问题不能被激励，因为还没有被激励了的目标对象)。例如，如果游戏者回答是动物，这将激励属于该类别的目标对象，给他们一个高优先级，而不属于该类别的目标对象被给予低优先级。这如图1A所示。
一旦属于动物类别的目标对象被激励，与激励问题“是否在色拉桌上找到它？”相比，他们更可能相应地激励问题“你会在农场找到它吗？”。另一方面，如果游戏者回答植物，而不是动物，那么“是否在色拉桌上找到它？”将比“你会在农场找到它吗？”更可能是下一个问题，这如图1B所示。
假定游戏者正在考虑可以在农场找到的动物，并回答了前两个问题(“它是动物、植物、矿物、其它或者未知？”和“你会在农场找到它吗？”)，相应地，第二个问题的答案可能对“猪”、“鸡”和“狗”之类的动物的支持超过“狮子”、“鹰”和“鲸”之类的动物；而且，相应地将支持某些问题(例如“你能吃它吗？”)超过其它要问的问题(例如，“它是危险的吗？”)，但不影响另外一组被问问题的可能性，这组问题与刚刚获得的信息无关(例如，“它是否有毛皮？”)。该第三个问题的激励如图1C所示。
如果“你能吃它吗？”的答案是“能”，这将支持“鸡”超过“狗”，等等，等等。
至此，应当清楚将ANN以矩阵格式连接，其中输入节点和输出节点能够以上述方式交换的优点。虽然输入-输出连接的权值还没有论述，但在此作出下述声明是非常重要的，即在所述处理期间，目标对象被按优先次序排列，而不滤除，换句话说，通过给出问题-目标对象连接的不同权值而按照优先次序排列目标对象，这些权值可以在重新排列优先次序期间改变。这是区别本发明与其它猜测游戏的一个非常重要的特征这使本发明能够处理误导信息。
当玩这种游戏时误导地回答问题是不罕见的不同的人有不同的理解。某人可能觉得兔子是一种啮齿动物，而另一个人可能不这样认为。明显地，这两个人将不同地回答问题“它是啮齿动物吗？”。一个具有某些宗教信仰的人可能考虑的是“猪”，并回答问题“你能吃它吗？”时是“不能吃”，而来自不同宗教的其他的人可能回答“能吃”。如果教导ANN“猪”是可以吃的，当一个人指出他/她所考虑的是不可以吃的的时候，它可能给“猪”一个低优先级，而后在游戏中稍后时间，如果一个人以“是”回答“它是否有弯曲的尾巴？”，则在重新排列目标对象优先级时，给“猪”一个高优先级。
此外，应该提及，ANN系统不必在每个问题之后按按优先次序排列目标对象。该游戏通常允许游戏者回答“是”、“否”、“未知”、“无关的”、“有时”、“也许”“大概”、“可疑的”、“通常”、“视情况而定”、“罕见地”、“部分地”。明显地，“无关的”和“视情况而定”之类的回答是没有帮助的，不会在系统已知的内容上增加更多信息。因此，可以在ANN系统进行任何目标对象优先顺序排列之前询问若干问题。
如同之前所述，节点之间的连接强度通过称作权值的数值表示，所述权值可以修改。在ANN矩阵中的每个神经元代表相关的答案-目标对象或目标对象-问题连接的强度——权值。为了优化，每个权值是一个字节，有7位描述连接的强度，1位指出连接的类型——“正的”或“负的”；然而，可以采用更高精度，或相反地，数据可以压缩成几比特。
神经网络的作用是执行连接输入节点和输出节点的功能。在下面的段落中，将论述ANN是如何排列目标对象(这里答案显然是输入节点，而目标对象是输出节点)和如何排列问题的(这里目标对象是输入节点，而问题是输出节点)。
在排列目标对象中，被给定0到N个答案，所用的算法把答案和神经网络比较，并因此排列目标对象。
可用的答案集合被分成两个子集，正答案和负答案，并且每一个答案都具有与其相关的某个权值。必须注意区分答案的权值(这是游戏者对问题赞同或不赞同的程度)和神经元权值(这是输入节点-输出节点连接强度)。
图2示出了当前答案集合和与每个答案相关的权值。答案“未知”没有算作答案并未用在这些计算中。其它的映射方案是可能的，包括从“是”到“否”的可调等级，或游戏者的答案的权值甚至可基于由语音识别系统察觉到的音调变化。(在某些下述的实例中，正(+)和负(-)涵义分别与权值一起使用，以区分正负两方面。)对于每个目标对象，该算法把每个回答的问题与神经网络中相应的神经元相比较。在神经元的预调权值上加上或者减去答案的权值，这取决于一致(agreement)。这里使用的“预调”意思是从前面的实现进行调整。(神经元权值的调整在下面讨论。)当提供的答案和神经元的预调权值都是正的或者都是负的时，存在“一致”。
图3A到3D是类似矩阵的表格，描述了目标对象排列方法。这些附图使用为了说明的目的而相应选择的假定的数字。假定游戏者所想的是只“狗”，为简单起见，这里假定算法已经将较佳目标对象缩减到三个“狗”、“猫”和“狮子”。图3A示出了与问题“它咬人吗？”相应的三个较佳对象的神经元的预调权值301。假定问题“它咬人吗？”被询问，而游戏者回答“是”，算法将暂时将正的答案的权值——即4(见图2)——增加到对于该问题有正分化的神经元302，和从对于该问题有负分化的神经元303中减去答案的权值。图3B示出了加/减步骤304。
算法而后将通过从较佳对象表中移除具有显著低于其它较佳对象的值的目标对象而缩减较佳对象。在本示例中，将移除″猫”。
图3C和3D对于不同的问题——“你会在农场找到它吗？”——重复上述目标对象排列方法，并对于两个剩下的较佳对象——“狗”和“狮子”——说明算法如何进一步将较佳对象缩减成为一个。在答案权值增加到神经元权值305之后，“狮子”将从较佳对象列表中移除，留下“狗”——游戏者考虑的那个。一旦猜测到目标对象，对于该目标对象的神经元权值将调整。神经元权值调整将在下面问题排列过程的描述之后进行讨论。
为简单起见，问题排列过程(和相关的图——图4)将按照“是”和“否”因子406进行讨论，实际上“是”和“否”因子是具有不同答案权值的正负因子(图2)，当然答案权值是被考虑的，并影响相关的计算。
在排列问题中，算法检查每个问题，确定较佳对象中有多少个将用“是”来回答，有多少个将用“否”来回答。该算法对较佳目标对象检查每个问题，并对于每个问题，合计“是”和“否”因子。两个合计值中较低的一个被从两个值中较高的那个中减去，然后具有最低合计差额的问题将被选择作为下一个将被询问的最好问题——也就是作为最有用的/有效的或未知的问题。这意味着某个问题被选择是因为它代表了在“是”和“否”答案之间的最佳平衡。50对50的拆分将是最理想的。
图4是一个类似矩阵的表，其借助于实例描述了过程。为简单起见，假定存在六个较佳对象目标404和合计十个问题405。该算法对六个较佳目标对象404检查十个问题405中的每一个，合计“是”因子401和“否”因子402，从两个结果中较高的值减去较低的值403，并且将具有较低差额(合计差额)的问题排列在具有较高差额的问题之上作为将被提问的较好问题。
可以容易地从所述表中看出，最有效的问题将是第二和第五个问题，它们的合计差额是0，最无效的问题是第四、第六和第八，它们的合计差额是6。这不奇怪，因为第四、第六和第八个问题不是有关动物的。
如上所述，实际上，“是”和“否”因子是具有不同权值的正负答案。实际上，算法合计了赞同的权值和不赞同的权值，从两个权值中较高的那个减去较低的那个，具有较小差额的问题排列在较高处。
另一个在选择问题中周期性使用的方法是挑选一个问题，该问题的答案将证实最佳对象——在其它较佳对象中排列在最高处的较佳对象——是否是正确的。对于每个问题，最佳对象对应的神经元权值与其他的较佳对象对应的神经元权值相比较。选择具有最大差额的问题，所述差额是通过从所述的两个神经元权值中较高的一个减去较低的一个计算的。
与图3A到3D一样，图5使用为了说明的目的而相应选择的假定的数字。假定“莴苣”、“胡萝卜”和“番茄”是较佳对象，而“胡萝卜”是最佳对象。为简单起见，我们仅仅考虑三个问题，这不应被看作是限制性的。因为“胡萝卜”是最佳对象，算法将相对莴苣对应于三个问题中的每一个的神经元权值502和番茄对应的神经元权值503，检查胡萝卜对应的神经元权值501。对于第一个问题，胡萝卜-莴苣差额是1500(3500-2000)，而胡萝卜-番茄差额是2100。对于第二个问题差额分别是11500({9000-(-2500)}和13000。对于第三个问题差额分别是4000和5500。算法将挑选第二个问题，因为它提供了最大差额。可以轻易看出，询问该问题将能真正地证实“胡萝卜”是正确的最佳对象。
在神经网络中学习通常是通过调整神经元权值完成的。一旦目标对象已经识别——正确地猜到——将仅仅改变该目标对象的神经元权值给出目标对象，算法考虑每个答案，如果答案是赞同的，就增加神经元的权值(通常加上游戏者答案的权值，在本案中是从1到4的一个值)。如果答案是不赞同的，则减少神经元的权值。如果神经元没有值(来自之前实现的预调权值)，新的神经元权值将根据游戏者的答案设置。
在图3A到3D的实例中，一旦猜测到“狗”，算法将分别把对应于“它咬人吗？”和“你会在农场找到它吗？”的神经元的权值调整为5004和7004。该步骤将不会与较早论述的步骤相混淆，那里权值是暂时增加的。一旦神经元权值用这种方式已经调整，下次玩游戏时，新的神经元权值将被看作“预调”值。
当训练神经网络时，算法可以考虑人口统计因素。可以询问游戏者，例如关于他的年龄、性别和地理位置，这些信息将在教学过程中予以考虑，并且下次当来自相同统计组的人玩所述游戏时予以使用。这对于减少如上所述的由不同的理解所引起的误导答案的数目是有用的，因为来自相同人口统计组的人趋向于具有相似的理解。
在这种情况下，一神经元将具有不同的神经元权值，每个权值与某一人口统计有关。在图6A中，对应于“你能吃它吗？”的神经元具有对于“猪”的正权值601，而图6B中，它有负权值602。如果一个属于认为“猪”是可以吃的人口统计组的人在玩所述游戏，算法将对于该问题使用“正权值”601权值；如果一个属于认为“猪”是不可以吃的人口统计组的人在玩所述游戏，算法将对于该问题使用“负权值”602权值。
把用户分类到不同的人口统计组的另一个方法是猜测它们属于哪个组。在这种情况下，算法将利用神经网络统计组-问题矩阵格式，并以类似如上所述的方法猜测组——而不是目标对象。
通常，使用通用计算装置或手持装置实现本发明的方法。计算/手持装置驱动器和相关计算机可读媒质提供在此描述的计算机可读指令、数据结构、程序模块和其它数据的非易失存储。计算机可读介质承载用来使得计算机或装置执行本发明的方法的指令和数据的表达。
虽然本发明的多种优选实施方式已经于此详细描述，但是本领域熟练的技术人员应该理解，可以做出各种变形，而不脱离本发明的精神或所附权利要求的范围。
权利要求
1.一种在电子游戏中，在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的方法，该方法利用以目标对象—问题矩阵格式构造的神经网络，其中矩阵的每个神经元定义了一个输入—输出连接权值，并且该神经网络可以在第一模式下使用，其中询问问题的答案是输入节点，而目标对象是输出节点，并可在第二模式下使用，其中目标对象是输入节点，而问题是输出节点，该方法包括下列步骤利用第一模式下的神经网络排列目标对象；利用第二模式下的神经网络排列问题；和按照目标对象的排列提供猜测。
2.根据权利要求1的方法，其中排列目标对象的步骤包括下列步骤映射至少一个答案到权值；把该答案的权值与神经网络中对应于该问题及排列的目标对象的神经元的权值相比较，根据赞同度暂时改变对应神经元的权值；和按照改变的神经元权值评价目标对象。
3.根据权利要求1的方法，其中排列问题的步骤包括下列步骤将对于问题的可预测的答案映射到关于高排列目标对象的正和负的权值；合计对于每个问题的赞同的权值和不赞同的权值，并计算对于每个问题的两个总数之间的差额；和根据该差额评价所述问题。
4.根据权利要求1的方法，其中排列问题的步骤包括下列步骤对于每个问题，计算在对应于最高排列目标对象及该问题的神经元权值和对应于其它高排列目标对象及该问题的权值之间的差额；和通过比较每个问题的差额和其它问题的差额来评价所述问题。
5.根据权利要求1的方法，还包括下列步骤按照答案的映射权值和调整之前的神经元权值之间的赞同度调整对应于猜测对象的神经元权值。
6.根据权利要求5的方法还包括下列步骤按照用户特定信息分类所述用户；在与所述用户类别关联的数据库中存储所述调整了的权值；和对属于所述用户类别的一不同用户使用所述关联的数据库。
7.根据权利要求6的方法，其中用户特定信息是从用户处获得。
8.根据权利要求6的方法，其中用户特定信息是从上述至少一个问题的至少一个答案推断出的。
9.一种以X-Y矩阵格式构造的神经网络，其中该矩阵的每个神经元定义一个输入—输出连接权值，该神经网络可以在第一模式下使用，其中X轴的元素是输入节点，而Y轴的元素是输出节点，也可在第二模式下使用，其中Y轴的元素是输入节点，X轴的元素是输出节点。
10.一种用于在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的游戏，该游戏使用以目标对象—问题矩阵格式构成的神经网络，其中矩阵的每个神经元定义一个输入-输出连接权值，并且该神经网络可以在第一模式下使用，其中对所问问题的答案是输入节点，而目标对象是输出节点，和在第二模式下使用，其中目标对象是输入节点，而问题是输出节点，该游戏包括在第一模式中利用神经网络排列目标对象的装置；在第二模式下利用神经网络排列问题的装置；和根据目标对象的排列提供猜测的装置。
11.一种承载指令和数据的表达的计算机可读媒质，所述表达用于使计算机或手持装置执行在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的方法，该方法利用以目标对象-问题矩阵格式构成的神经网络，其中矩阵的每个神经元定义一个输入-输出连接权值，并且该神经网络可以在第一模式下使用，其中对所问问题的答案是输入节点，目标对象是输出节点，也可在第二模式下使用，其中目标对象是输入节点，问题是输出节点，该方法包括以下步骤利用第一模式下的神经网络排列目标对象；利用第二模式下的神经网络排列问题；和根据目标对象的排列提供猜测。
全文摘要
一种在电子游戏中，在询问用户至少一个问题之后，从一组目标对象中猜测用户正在考虑的对象的方法，该方法利用以目标对象－问题矩阵格式构造的神经网络，其中矩阵的每个神经元定义了一个输入－输出连接权值，并且该神经网络可以在第一模式下使用，其中询问问题的答案是输入节点，而目标对象是输出节点，并可在第二模式下使用，其中目标对象是输入节点，而问题是输出节点，该方法包括下列步骤利用第一模式下的神经网络排列目标对象；利用第二模式下的神经网络排列问题；和按照目标对象的排列提供猜测。
文档编号G06N3/02GK1845131SQ200510108310
公开日2006年10月11日 申请日期2005年10月12日 优先权日2005年4月6日
发明者罗宾·伯格纳 申请人:20Q网络公司