第23章 匹配强度
匹配强度不是“像不像”的简单判断，而是当前感知状态与某一认知对象、属性、状态、关系或目标之间，在一定条件下形成匹配的程度。
第22章讨论的是认知为什么存在不确定性。
第23章进一步解决一个工程问题：
既然认知不是绝对确定的，那么系统如何衡量“当前状态与某个认知结果到底匹配得有多强”？
这一步是从“不确定”走向“可计算”的关键。
23.1 从“匹配”到“匹配强度”
如果认知系统观察到一个对象：
对象：
鸡蛋系统并不能仅仅得到：
是 / 不是而应该能够描述：
当前状态与“鸡蛋”的匹配程度例如：
颜色匹配：高
形状匹配：高
尺寸匹配：中
重量匹配：高
表面触觉匹配：高
当前状态匹配：高因此：
匹配是一个关系，而：
匹配强度是这个关系的程度。
可以表示为：
Matching(A,B)
↓
MatchingStrength(A,B)其中：
A = 当前感知状态
B = 已有认知对象于是认知系统不再只有：
匹配
不匹配而具有：
弱匹配
中匹配
强匹配甚至可以形成连续值：
0 ≤ S ≤ 1其中：
S = 0表示当前信息几乎不能支持该匹配。
而：
S = 1表示当前条件下具有非常强的匹配关系。
但需要强调：
匹配强度不是事实本身，也不是最终概率。
它只是认知形成过程中的一个中间量。
23.2 匹配强度不是对象属性
这是一个非常重要的区分。
例如：
鸡蛋重量 = 50g这是对象属性。
而：
当前感知与鸡蛋的重量匹配强度 = 0.92不是鸡蛋的属性。
它属于：
当前认知过程中的关系量。
因此必须区分：
对象属性和：
认知匹配属性前者描述对象：
Weight = 50g
Friction = ...
PressureTolerance = ...
Shape = ...后者描述：
CurrentValue
↓
与已有知识的匹配程度这意味着：
Object
│
├── Attribute
│
└── Relation
│
└── Matching Strength匹配强度存在于认知关系中，而不是直接存在于对象内部。
23.3 单一属性的匹配强度
最简单的情况是单属性匹配。
例如系统已经知道：
鸡蛋重量约为 50g当前传感器得到：
当前重量 = 49g那么二者存在一定程度的匹配。
可以简单表示：
M_weight = f(当前值, 参考值)例如：
参考值 = 50
当前值 = 49
误差 = 1误差越小：
匹配强度 ↑误差越大：
匹配强度 ↓因此可以形成：
误差
↓
匹配函数
↓
匹配强度但真实认知不会这么简单。
因为对象的属性通常不是一个值。
23.4 多属性匹配强度
一个对象通常同时拥有多个属性。
例如鸡蛋：
形状
大小
重量
硬度
表面摩擦
脆弱程度
温度
位置
运动状态当前感知系统可能得到：
ShapeMatch
WeightMatch
SizeMatch
SurfaceMatch
PressureMatch
MotionMatch于是：
对象匹配
=
多个属性匹配的综合结果可以表示：
M_object
=
F(
M_shape,
M_weight,
M_size,
M_surface,
M_pressure,
M_motion
)这一步非常重要。
因为：
对象的认知不能由单个属性决定。
例如：
重量匹配很高并不意味着：
对象匹配一定很高。因为形状可能不匹配，触觉可能不匹配，动态状态也可能不匹配。
23.5 匹配强度不是简单平均
如果采用：
(属性1 + 属性2 + 属性3) / 3看起来简单，但很容易产生错误。
例如抓取鸡蛋时：
重量匹配 = 0.98
形状匹配 = 0.97
颜色匹配 = 0.95但是：
压力匹配 = 0.30如果简单平均：
平均值仍然可能很高系统可能认为：
“整体匹配很好，可以继续。”
但是实际情况可能是：
压力过大
↓
蛋壳形变
↓
破裂风险增加所以认知系统不能只问：
平均匹配程度是多少？
还必须问：
哪些属性具有决定性影响？哪些属性属于约束条件？哪些属性发生异常会改变整个认知结果？
这就进入下一层：
匹配权重。
而匹配权重将在第24章正式讨论。
23.6 匹配强度具有条件性
同一个对象，在不同任务下，匹配强度可能完全不同。
例如同一个鸡蛋。
任务一：
识别鸡蛋主要关注：
形状
尺寸
颜色
重量任务二：
抓取鸡蛋关注：
压力
摩擦
滑移
形变
稳定性任务三：
运输鸡蛋则可能更加关注：
振动
加速度
冲击
位置
稳定性因此：
相同对象
+
不同任务
↓
不同匹配条件
↓
不同匹配强度所以匹配强度不是对象固定产生的数字。
它属于：
对象 × 当前状态 × 感知信息 × 任务条件
之间的动态关系。
23.7 匹配强度具有时间性
前面的第14章已经说明：
属性不是静态值。
到了这里，同样可以进一步得到：
匹配强度本身也不是静态值。
例如机器人抓取鸡蛋。
开始时：
t1
压力 = 低
滑移 = 低
形变 = 低此时：
抓取匹配强度较高继续增加压力：
t2
压力 ↑随后出现：
形变 ↑再继续：
t3
滑移变化
形变增加那么原来的匹配状态就必须重新计算。
因此：
S(t1)
→
S(t2)
→
S(t3)而不是：
S = 固定值这就是动态认知的基础之一。
23.8 匹配强度是一个状态变量
因此，可以把匹配强度理解为：
S(t)它随着输入变化而变化。
例如：
S(t) = F(
Object(t),
Attribute(t),
State(t),
Relation(t),
Goal(t),
Knowledge
)当：
Attribute(t)发生变化时：
S(t)也应该重新变化。
因此：
感知变化
↓
属性变化
↓
状态变化
↓
匹配强度变化
↓
认知状态变化这比传统的：
输入
↓
分类
↓
结果更接近动态认知过程。
23.9 匹配强度与变化速度
不仅属性值重要，属性变化速度也可能重要。
例如：
压力 = 10本身可能没有问题。
但是如果：
压力
10 → 20 → 30 → 40快速上升，那么认知意义就完全不同。
因此系统不仅需要观察：
Pressure还需要观察：
ΔPressure / Δt也就是变化率。
于是：
属性值
+
变化量
+
变化率共同影响匹配强度。
这意味着：
认知系统匹配的不是一个孤立的数据值，而是一个正在变化的数据状态。
23.10 匹配强度与属性之间的关系
在第16章中已经建立：
压力
+
摩擦
+
滑移
+
形变之间存在动态关系。
到了本章，可以进一步得到：
属性
↓
属性变化
↓
属性关系
↓
匹配强度例如：
压力 ↑本身不能直接说明危险。
但如果同时出现：
压力 ↑
形变 ↑
滑移 ↑那么：
危险状态匹配强度 ↑因此真正有意义的是：
联合状态而不是单个传感器数据。
23.11 匹配强度与目标
匹配还必须考虑目标。
例如：
目标 = 抓住鸡蛋系统需要寻找：
稳定抓取而不是单纯：
最大压力如果目标发生变化：
目标 = 尽可能保护鸡蛋那么匹配标准就进一步改变：
稳定
+
不滑
+
低压力
+
低形变因此：
Goal
↓
Matching Condition
↓
Matching Strength同一个当前状态，在不同目标下可以产生不同的匹配意义。
23.12 匹配强度与行为
最终，匹配强度不是为了得到一个数字。
它的作用是支持认知和行为。
例如：
当前抓取状态
↓
多个可能状态
↓
分别计算匹配强度
↓
比较
↓
形成当前认知
↓
选择行为例如：
状态A：抓取稳定
匹配强度 = 0.91
状态B：抓取过紧
匹配强度 = 0.62
状态C：即将滑落
匹配强度 = 0.38那么系统就可以判断：
当前最符合目标的状态 = A如果后续传感器发生变化：
A：0.91 → 0.73
B：0.62 → 0.84那么认知系统就应该改变判断。
因此：
匹配强度不是认知终点，而是连接感知、认知和行为的中间机制。
23.13 匹配强度的基本工程结构
到这里，我们可以初步建立一个认知工程结构：
Current Perception
↓
Current Elements
↓
Current Object
↓
Current Attributes
↓
Current State
↓
Current Relations
↓
Matching Conditions
↓
Matching Strength
↓
Candidate Cognitions如果进一步加入个体因素：
Matching Strength
↑
│
┌──────┼──────┐
│ │ │
经验 记忆 先验
│ │ │
└──────┼──────┘
│
目标
│
权重最终：
动态感知
↓
动态匹配
↓
匹配强度
↓
个体认知23.14 匹配强度与概率必须区分
这是本章最后一个重要问题。
不能把：
Matching Strength直接等同于：
Probability二者虽然有关，但意义不同。
匹配强度
回答：
当前信息与某个认知模型有多符合？
概率
回答：
在当前信息和条件下，这个认知结果有多大的可能性？
例如：
当前状态
↓
与“鸡蛋”的匹配强度 = 0.94这并不意味着：
鸡蛋概率 = 94%因为还可能存在：
其他对象
其他解释
传感器误差
历史经验
环境条件
个体先验所以应该建立：
Matching Strength
↓
Matching Score
↓
Probability而不是：
Matching Strength = Probability这也为第六篇“概率认知理论”建立了理论接口。
23.15 本章核心模型
经过前面的章节，现在可以把匹配强度定义为：
匹配强度
=
当前状态
与
候选认知状态
之间
在特定目标、条件和知识背景下的符合程度工程上可以抽象为：
S = F(
E,
O,
A,
State,
Relation,
Change,
Goal,
Knowledge
)其中：
E = Element
O = Object
A = Attribute
State = 状态
Relation = 关系
Change = 动态变化
Goal = 目标
Knowledge = 已有知识最终形成：
当前感知
│
↓
对象与属性
│
↓
动态对象状态
│
↓
匹配条件
│
↓
┌──────────┐
│ 匹配强度 │
└──────────┘
│
↓
匹配结果集合
│
↓
概率认知
│
↓
个体认知23.16 本章结论
本章建立了一个重要的理论层：
匹配不是二值判断，匹配具有强弱程度；匹配强度不是对象的固有属性，而是当前感知状态与认知模型之间形成的动态关系量。
进一步可以得到五个基本结论：
第一，匹配强度不是对象属性。
它属于认知关系。
第二，匹配强度不是固定值。
它会随着对象状态和环境变化而变化。
第三，匹配强度不是单一属性决定的。
多个属性及其动态关系共同参与匹配。
第四，匹配强度受到目标影响。
同一个对象，在不同任务下具有不同的匹配标准。
第五，匹配强度不是概率。
它是从动态匹配走向概率认知的重要中间层。
因此，本书的认知链条进一步明确为：
感觉
↓
感知
↓
元素
↓
对象
↓
属性
↓
变化
↓
关系
↓
状态
↓
匹配
↓
匹配强度
↓
概率
↓
认知而这也意味着，机器人真正需要解决的问题已经不是：
“我看到的是什么？”
而是：
“当前这个对象、这些属性以及它们正在发生的变化，与我当前任务下可能形成的认知状态究竟有多强的匹配关系？”
下一章将继续解决这个问题的核心：
第24章 匹配权重
当多个属性同时参与认知匹配时，为什么它们不能被视为同等重要？系统又应该如何决定：什么属性更重要、什么变化必须优先响应，以及什么信息可以被降低权重？