当然，计算机也不会累坏的，适当保养一下。
那么问题来了，用最简单的例子来解释。
例如，我们假设一些散落在空间中的点或者是运动分布的点，是基于函数A以函数B为规律收敛，那么是不是可以认为，这些点是由函数A与函数B关联影响产生的O运动结果的轨迹，可以吗？当然可以，我们设定以O为核心信息元，以函数A及函数B为直接关联信息元的多元关联拟脑模型，同时函数A与函数B相互关联。
这里的函数A与函数B是未知的，而所有散落在空间的看似无规律的点，是O在函数A与函数B关联影响下的参数溢出轨迹，使用超级计算机去穷尽它，找到函数A与函数B，如何穷尽解算，O是已知的，我们可以把函数A设定为核心信息元，停，核心信息元不是O吗？这是多元关联拟脑模型的特点，任何信息元在使用者的观察角度，都可以是核心信息元，好，函数A是核心信息元，我们将现有的已知的海量的线性函数逐一代入函数A，在每一个已知函数被代入函数A的时刻，函数A就是已知量，O是已知量，去求函数B，如果没有函数B，就继续去穷尽函数A。理论上，我们可以把这些多函数叠加的规律放大到更多的线性函数叠加，ABCDEFG......N，太复杂了，啊不对，是太繁琐，很多尝试性的计算动作，需要无限次的去做，但是理论上，我们可以找到多线性函数叠加的规律。
理论是理论，穷尽就是无法穷尽，但是穷尽也是一种思路，好吧，我再说一个有用的方法，知道多元关联拟脑模型的特点吗？多元关联拟脑模型注重‘相对关系’，什么是相对关系，例如A与B有关联关系，B与C有关联关系，那么A与C会同时出现在以B为核心信息元的三维坐标系中，既然A与C同处于一个三维坐标系中，那么它们之间有直接关系吗？没有，因为我们需要的是信息元之间的相对关系，而A与C的关系是由B产生的间接关系，那么这种方式对计算分布的点及运动点有什么作用？我们可以利用多元关联拟脑模型，把分布的点或者运动点，在多个三维坐标系中关联出它们的相对关系模型，这样我们就得到了这些点，在多个三维坐标系中的距离角度等相对关系信息，对这些距离角度参数做趋势分析，我们可以找到这些点分布的规律，或者是运动的规律，问题又来了，运动的点可以知道谁是起点，而分布的点我们怎么知道谁是起点呀？对，运动的点如果知道最开始的点，那么该点就是起点；对于分布的点，就从关心者或者观察者认定的点作为起点吧，这里有
本章未完，请点击下一页继续阅读！