摘要：根据经典逻辑的不完善性，各种新式逻辑体系依次提出，如多值逻辑，模糊逻辑等等。根据逻辑代数原理和概率论的相关原理，并从生物信息学的序列比对得到灵感，建立一套新的逻辑系统。
关键词：逻辑体系序列运算概率
正文：
Introduction：经典逻辑的本质是重言式的，即是在已知的事件构建联系，在这个过程中没有产生新的关系。就原来的体系中，基本事件源于现实世界，对事件的联系构建已经是突破我们人类的正常思考范围，同时可以带给我们足够的灵感。这是基于元素的逻辑推理，接下来就是组合的逻辑，这是相对更高维的逻辑结构。
Method：首先通过对各个非经典逻辑体系的初步探讨，得出灵感的来源，再详细介绍逻辑体系。
数理逻辑是运算的基础
多值逻辑是（量子（范围1/0）和最值之间的程度（0。5））考虑多情况的，这是概率的基础，即有限的事件。接下来是根据其发生的频数确定概率。模糊逻辑则是对连续的无限事件，（则如同微积分构建的体系），使用比较确定的量值模式整体的性质（如0。6的A隶属度，是个分布函数，只有超过一定阈值才表达，这个阈值由比例确定，如前3%），本质上是概率的语言
模态逻辑是经典逻辑的必然和概率论的可能性相结合的体系，这是一种比较综合的逻辑
规范逻辑提供逻辑进行的方向，时态逻辑提供时间范围，弗协调逻辑提供容纳矛盾的灵感，矛盾可视为层次之间的竞争，而经济学提供的纳什均衡可以视为一种稳定状态。根据不同的调节，其形成的稳态可以视为网络的本征
经典逻辑范围，其作用结果是绝对的，分明的，不含糊的，如人分为好人和坏人。但现实不是怎么简单，人没有绝对的好坏之分，好人干坏事，坏人干好事都只是一种选择性表达。因此我们将经典逻辑于量子层次使用是合理的如1/0。但我们一般的作用层次是宏观的，这就需要量子层次的不断遍历升维至宏观层次。这里参考计算机语言的发展过程：机器语言—汇编语言—高级语言，其中最重要的是定义，如ASCII编码。一定的序列可以如同语言的连接词，转折词等等有功能，这些序列是更大量级的序列的选择性表达。要想完整地描述整体状态，考虑使用波函数描述整体网络，具体情况则是网络的选择性表达，这就可以容纳各种矛盾，因为特定情况只表达一种情况，当情况变化时可以表达与其相反的情况。因为网络是各种情况的耦合，我们只能以概率的语言来描述，如好人是其做好事的前验概率比较高，其继续做好事的后概率也比较高，但不排除其做坏事的可能性，只能说在更高的时间维度下，其发生的频率比较小。
特定的序列可以作为推理的进行发生，如ifthen
二值逻辑范围，可以构建电路系统，使得网络可以解决内部的全部问题。其可以转化为其他逻辑系统，可以视为是概率的不断坍缩
绝对正确的信息就是没有信息，或者包含全部信息。如气温可能降到0度以下，怎么说都对，而信息是确定性的度量
网络的坍缩可视为矩阵的本征值求解
本征是能够表达与整体序列的性质相似的特定序列
相关性的度量只有超过一定的阈值才能显现出一定的性质
概率网络逻辑：（源于一直以来的思考和和同学讨论问题时被其嫌弃没有逻辑，不是没有逻辑，只是基于一般逻辑的进一步思考，有点像从线性到非线性）（假设：网络是最高维的结构，一切的逻辑体系是其不同的路径坍缩，本质上是各种因素的交互作用）
概率网络是如同波函数描述整体的模型，我们只有不做观测才能整体把握，当我们从某个锚定点出发，我们可以观测到的网络是一定的路径，即概率网络的塌缩。其对矛盾的包容性体现于不同的点的观测结果是不同的，但都是正确的。（多体系的相容，其选择性表达的结果。每一次的观测都是一定观察函数代入整体网络的波函数，函数的耦合得出的结果就是观测值，不同的观测角度可能是复杂的，参考傅里叶分析的简单函数分解）
概率网络的可运算性：由于网络是包容多层次的，我们必须将各个层次分解至量子层次才能进行运算。如人的定义分解为多个指标ABCDEFG，如果满足视为1，不满足则视为0，于是对于独特的个体就可以分解为一个序列如1010101。首先假设这些指标都是等价的，如果有5个1以上视为好人，2个以下视为坏人，那么这个范围之间的个体都是有一定的偏向的，可以根据比例来量化。同时可以分配不同的指标不同的权重，没有差别。以上的是一阶的，也是我们的一般经典逻辑。我追求的是高维思维，那么就来二阶的，即序列匹配。可以引入相关的生物信息学的工具和思想来解释。
建立逻辑系统：演算是基础：量子化的序列的比对组合，如10011100101101和101001101101的不同组合的比对。生物信息学提供很多数学工具，如打分矩阵（空位罚分，匹配得分），BLAST算法，needleman算法，waterman算法等等。其最后的结果是多种可能的，其出现的频率可以使用概率来理解
需要考虑层次的竞争和均衡的达成；相似性的序列—相似结构—相似功能
三阶的逻辑参考蛋白质的结构折叠，是基于二阶匹配寻找的特殊元件的组合
维度的上升本质上是概率网络的选择性表达，是无限可能性的逐渐坍缩或收敛
隐马尔科夫模型是网络的概率推理形式，运用概率论的相关知识，研究各种带有随机性的自然及社会现象的变化规律，并且有效地进行数量描述，在随机性数据中寻找规律即无限长的序列的本征涌现。一阶的思维是寻找序列的匹配，使得特定的元件得以涌现，从而可以构建高维结构，如蛋白质结构预测的a螺旋和β折叠。二阶的思维则是参考图灵机的无限长的条带的状态改变，这是一个运算的过程
序列的匹配可以视为是交易的达成，即两个体系有一个耦合点，这个过程也可以视为一个反馈机制
结论和证明过程的相互耦合；一切数学问题分解为量子层次是无限长的序列，我们要找到本征是一种概率性的行为，数学家掌握一套寻找模式的方法，有更大概率寻找到耦合的本征；这方面可以参考如今的各种算法
参考文献:??