1、“.....第个问题的出现是由于没有个实用的神经网络可以同时高效地处理所有的可视化输入。明模式图。个计划网由四个主要部分组成输出单元，子计划行为图，当前位置图和可能位置图。在详细地描述这些组件之前，我们先来看看在计划层次网中计划是怎么样表示。计划网中每层都对应于计划层次中个层。个计划网既可以作为个高层计划子计划也可以作为个低层计划父计划。第层计划子计划由特征池组成。连通性编码计划之间局部和整体关系。举个例子，我们考虑弓表示。如图所示，张弓由三个部分组成个三角形顶，和两个矩形柱。弓上有层次感格子在弓计划网络中表示子计划行为图。黑点表示图中组件位置。例如，三角形在弓中上部。和每个黑点对应，在特征池和单元之间有条连象和场景知识包括四个位置关系左，右，上，下和个层级关系属于。这样知识可以很方便地被编码成地图和单元之间联系。除去简化任务，这个研究目是得到可以适用于更复杂场景和任务通用解决方法......”。

2、“.....可以用模式编码概念上计划。计划单个组件，比如沙发，床，浴缸和洗手间被表示成个网络内不同单元。两个单元之间联系权重表示这两个组件在个计划内出现可能性，并且网络行为模式把个计划实例编码。这个网络不编码计划间层级关系。描述了三种表示层级知识方法。其中第二中方法和中曾经用过种方法很相似。网络里很多单元被组织成不同层。层级越高，该单元所表示对象也就越复杂。表示对象组件较低层次单元被连接到表示对象本身较高层次单元。和认识模型偏重于对计划激活和控制。在这个模型，指定域行为计划和思考计划可以被独立地激活。将要被运行计划个小子集是由两个被称作争论调度和监督注意系统不同进程选出。争论调度是个指定域进程，类似于传统人工智能系统中冲突解决。它通过指定域简单标准来选取计划。监督注意系统是个在每个域上运行计划通用规划系统。它通过偏置争论调度操作来控制计划激活。中计划激活和控制类似于争论调度进程......”。

3、“.....它由低层视觉模块和计划模块组成。低层视觉模块图次处理场景中个位置上信息，提取出这个位置特征信息线，矩形或者三角形。作为输出，特征池表明了低层视觉模块判断出现个确定特征可能性图。相对关系图用不同比例编码这些特征相对位置。举个例子，假设部分场景包含个弓和两棵树图。同样假设现在系统注意力集中在弓三角形底部。在精确模式，相对关系图识别出三角形位于两个矩形之上，并在图顶端给出个蜂值回应图。在粗糙模式下，相对关系图识别出组成弓特征黑点位于组成两棵树黑点中间，并在图中间就给出个峰值回应图。在比视网膜大模式中，必须考虑眼球位置。计划模块图维护计划层次，整合连续输入信息，决定下个要处理位置。它由两个主要神经网络组成计划层次网和变化选择网。计划层次网是计划表示网个多层网络，或者可以说是计划网简明模式图。个计划网由四个主要部分组成输出单元，子计划行为图......”。

4、“.....在详细地描述这些组件之前，我们先来看看在计划层次网中计划是怎么样表示。计划网中每层都对应于计划层次中个层。个计划网既可以作为个高层计划子计划也可以作为个低层计划父计划。第层计划子计划由特征池组成。连通性编码计划之间局部和整体关系。举个例子，我们考虑弓表示。如图所示，张弓由三个部分组成个三角形顶，和两个矩形柱。弓上有层次感格子在弓计划网络中表示子计划行为图。黑点表示图中组件位置。例如，三角形在弓中上部。和每个黑点对应，在特征池和单元之间有条连置。在实际网络中，单元活性是有限，被限制在个范围之内。在增加计划活性过程中，把焦点放在具有高活性位置上是没有效率。选择个距离当前位置最近位置，这样可以使转换代价达到最小选择好位置会被编码成变换向量，然后发送给。下个实际位置选定。把从所有计划网那里收到变换向量作为输入，并且从中选择个采用。个高度活跃计划倾向于选择个小变换......”。

5、“.....并且使得焦点转移量达到最小。最后，选定变换向量被传播给所有计划和。试验结果三个关于对象识别和场景分析试验要被演示。第个试验将演示对象完美实例识别，第二个试验是个歪曲实例，第三个试验是个完整场景。所有计划都在被手工编码。第层由弓房子和树计划组成图。其中，弓和房子计划是非常相似。两个都有三角形顶，并且很可能把弓矩形柱和房子正方形窗子混淆。第二层计划在第三个试验中使用是森林，公园，郊区和城市图。这些计划也同样非常相似。例如，如果场景是森林，或者公园，或者郊区，从左向右扫描，在最左边对象被识别之前，它是不可能消除歧义。注意到这些第二层计划并不是这些场景通用表示。它们被设计用来测试在极度不清楚情况下性能。在第个试验中，个房子被输入到。图在处理场景时第层计划行为个片断。每次每步焦点位置被显示在图中。系统被故意设置成在清晰状态下启动它把焦点放在房子三角形屋顶上。起初......”。

6、“.....在第五步之后，房子计划活性增加并且超过了弓计划，达到了最终稳定状态，并且得出了结论，这张图绘制是个房子。第二个试验说明了扭曲图像处理过程。两个变异房子图形被输入。第张图中房子有个平坦屋顶，第二张图中房子则没有屋顶。在两种情况下，都是从左边窗户开始。图说明了两种情况下计划活性。特征失真效果在第二步当处理屋顶时候最明显。输入图像和在计划中表示图像差别越大，弓和房子计划活性就越低。也就是说，对对象身份更加不确定。但是，在两种情况下，都可以最终得出结论输入物体最有可能是座房子。在第三个试验中，接收到副和郊区模式非常匹配郊区图片。被设置为从最右边三角形树开始图。注意到这个陈述是很模糊，这是因为森林，公园和郊区模式都有棵树在最右边。在第二步，最右边树被识别图。在第五步，中间树被识别。这时，关于中间那棵树详细信息被存储在树模式中，但是关于最右边那棵树详细信息却丢失了......”。

7、“.....在前六步中，步不能确定输入场景是郊区，公园和森林中哪个。在第七步，把焦点放在房子三角形屋顶上。它认为在左边远端事物最象张弓，并且整张图片最象是个公园。最终，歧义产生在第十三步，在处理完房子墙之后。这次，第层房子模式最为活跃，这表明最后处理事物是个房子。因此，郊区模式成为第二层最活跃模式。旦行为稳定，就没有必要再把焦点集中在场景其它部分了，并且进程结束。结论这个研究目是发展神经网络中图像模式表示和学习模式。表示模式支持前后相继信息整合，这样可以使得场景分析在有限处理资源情况下得以完成。系统简单地以图和合作竞争网形式执行。我们现在在研究从视觉场景例子中学习模式表示方法。在现实环境中，在个公园场景中可以有两棵以上树木，弓可以放在树木之间任何位置。表示这样变化方法现在正在研究中。象和场景知识包括四个位置关系左，右，上，下和个层级关系属于......”。

8、“.....除去简化任务，这个研究目是得到可以适用于更复杂场景和任务通用解决方法。Ⅱ相关工作提出了个通用方法，可以用模式编码概念上计划。计划单个组件，比如沙发，床，浴缸和洗手间被表示成个网络内不同单元。两个单元之间联系权重表示这两个组件在个计划内出现可能性，并且网络行为模式把个计划实例编码。这个网络不编码计划间层级关系。描述了三种表示层级知识方法。其中第二中方法和中曾经用过种方法很相似。网络里很多单元被组织成不同层。层级越高，该单元所表示对象也就越复杂。表示对象组件较低层次单元被连接到表示对象本身较高层次单元。和认识模型偏重于对计划激活和控制。在这个模型，指定域行为计划和思考计划可以被独立地激活中文字出处，，......”。

9、“.....第个问题出现是由于没有个实用神经网络可以同时高效地处理所有可视化输入。解决这个问题办法是并行地处理比较小输入，并且连续地处理输入其他部分。为了能够描述和翻译收集来前后相继信息，这个策略需要系统维护个结构化知识。被提议系统由两个主要模块组成。低层可视化模块从可视化输入中提取特征和位置信息。计划模块把可能对象可视化知识编码，并且为低层可视化模块提供自上而下信息，以便把注意力集中在场景中互不相同部分。通过和低层可视化模块协力合作，计划模块建立了个对于收集到前后相继可视化信息全局致翻译。Ⅰ介绍考虑在简单场景中对象识别任务。个场景分析系统不得不识别场景中对象比如张弓和两棵树并且识别出场景所描绘到底是什么。在设计个执行以上所描述功能神经网络系统过程中，我们遇到了两个基本问题怎样能使得个固定，有限神经网络能够处理无限信息怎样能使得个神经网络能够表示和利用已有结构化知识实际上......”。