[发明专利]组合的随机性逻辑

说明书

背景技术

很多计算问题可以被归类为确定性(deterministic)问题或随机性(stochastic)问题。一般，在确定性问题中，问题的“答案”或者问题的解答的下一个状态是可以基于输入值和问题的当前状态确定地计算出来的。一般，在随机性问题中，问题的“答案”或者问题的解答的下一个状态是不确定的，并且是根据概率分布来定义的。

当多个可能事件中的任意一个事件可能已经生成了所观察到的场景时，通常在现实世界中发生的一类随机性问题出现了。可以收集有关存在的场景的数据，并且可以使用该数据来计算所观察到的场景由可能事件中的每一个事件导致的概率。基于所确定的概率，可以做出判决。例如，可以基于最可能的事件实际导致了场景的出现的假设而做出判决。当然，在更复杂的场景中，判决可以通过其他途径做出，诸如，基于概率对特定的判决将导致好的还是不好的结果的预期进行评估。

图像分析是包括随机性问题的领域的示例。在一个立体视觉问题中，两个不同的图像可以由位置相近的两个数字摄像机生成(诸如，当针对机器人技术问题对人眼进行近似时)。期望基于图像本身来确定到图像中的特定物体的距离。每个立体图像代表了对于从物体传播到摄像机的光的测量。由于在光从物体反射出来时将在可以预测的路径中传播，所以反射光的物体的位置似乎可以被确定地计算出来。然而，实际上，很多因素会影响在摄像机处测量出来的实际的光。物体的形状、大小和表面性质以及光源的位置、强度和其他性质可以影响测量出的结果。所以，距离摄像机不同距离处的大量不同物体中的任意一个物体可以生成相同或者类似的测量值。

因此，当立体图像分析被当作随机性问题时，计算出的是特定位置中的特定物体导致测量的图像产生的概率。此数据例如可以被用来引导使用立体视觉系统的机器人。如同最可能的物体实际存在一样，机器人的控制算法可以简单地对通过图像的随机性分析所提供的数据进行反应。更复杂的控制算法可以引导机器人最大化机器人将不受物体的困扰而到达它希望的目的地的预期，或者最小化机器人将由于物体的碰撞而被损坏的预期。

文本分析是随机性问题的另一个示例：给定文档的文本中的一组单词，可能期望识别出文档的主题。文档中的该组单词定义了由大量事件中的任意一个事件创建的场景。具体地，文档可能是关于大量主题中的任意一个主题的。类似地，如果文档分析的要点在于确定作者的观点，则大量观点中的任意一个观点将会导致在文档中被找出的这些单词。当被当作随机性问题时，可以确定与诸如文档描述特定主题或者作者赞成特定观点之类的这些事件相关联的概率。这些概率然后可以被用来判断诸如是否响应于特定的搜索查询而返回文档或者如何对文档编目录等等。

其他问题类似地遵循这种模式并且可以通过确定可能导致特定观察到的场景出现的事件的概率来解决。这些问题一般是以条件概率密度函数为特征的。条件概率密度函数定义了一组事件中假设特定场景存在的事件的概率。根据告知什么场景存在的观察数据以及概率密度函数，该组事件中每个事件导致所观察的场景出现的概率可以被计算出来。

当期望确定定义场景的变量的值，但是这些变量的值具有随机成分时，第二种随机性问题出现。这可能在变量不能被直接观察出来的很多情况中出现，例如，当它们描述所关注的化学系统的微观结构时，或者当它们描述生物、文本或者人口统计数据的聚类时。在所有这些设置中，尽管变量不能被确定地指定，但是可以根据概率分布来对它们进行描述。通过根据概率分布来选择值，典型值可以被获取用于抽查或者用在解决其他更大的随机性问题中。

当理论上可以但是实际上很难计算场景中的一些参数值时，第三种随机性问题出现。如果场景可以根据为实际的参数值分配高概率的概率分布来描述，则根据概率来选择值将导致实际值的良好近似。广泛使用的Monte Carlo近似技术提供了这种随机性问题的示例的丰富来源。

这些种类的问题中的每种问题的共同点在于它们都涉及到根据概率分布来生成一个或多个样本。通常，这种处理比较复杂并且不能手工或者靠脑力完成；因此，计算机是解决随机性问题所必需的。

使用常规计算机来解决随机性问题的一种传统方法是确定在概率分布下可能的一组可能事件，然后计算每个潜在的事件的概率。在立体视觉问题的背景下，这可能包括识别到物体的所有潜在的距离，并且计算每个距离是正确距离的概率。

这些概率一般是高度精确地计算出来的，以便保它们紧密地近似实际概率。因此，当随机性问题被近似为确定性问题时，可以使用64比特的浮点处理来计算，从而使得每个事件发生(或者每个输出为“正确”输出的概率)的概率可以被以64比特的精确度计算并存储。