CN108352034A - 永久赠与系统 - Google Patents

Abstract

一种永久赠与系统，包括捐赠方实体、捐助基金实体、商业实体、控制委员会、投资分配器和盈利分配器。所述捐赠方实体向所述捐助基金实体投资并且所述捐助基金实体将盈利回报给所述捐赠方实体。在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销。所述捐助基金实体向所述商业实体投资并且所述商业实体将盈利回报给所述捐助基金实体。所述投资分配器向所述控制委员会做出投资建议。所述控制委员会向所述投资分配器提供投资偏好。所述盈利分配器做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议。每个分配器都包括模式匹配模块和静态变量模块。所述系统使用创造性模块和CTMP模块。

Description

永久赠与系统

相关申请的交叉引用

本申请要求主张以下申请的优先权：提交于2015年9月18日、题为Cyber SecuritySuite(网络安全套件)的临时申请号62/220,914；提交于2015年9月14日、题为System&Method for Perpetual Giving(用于永久赠与的系统和方法)的临时申请号62/218,459；以及提交于2016年4月16日、题为Critical ThinkingMemory&Perception(CTMP)(批判性思维记忆和感知(CTMP))的临时申请号62/323,657；上述申请的公开内容通过引用被并入，就如同它们在本文中得到阐述了一样。

技术领域

本发明涉及通过计算机化分析来优化投资的系统。更具体来说，本发明涉及通过计算机化方法来提供用于捐赠的有效系统，所述计算机化方法用来用于分析包括税务法规的商业活动的各因素并产生针对遵从该税务法规的盈利活动的解决方案。

背景技术

分析税务条例是费力且复杂的任务。通常通过适用从各种角度调节商业活动的税务法律来大体上调整由进行商业活动产生的盈利。长久以来都需要采取高级人工智能用于与通常的商业活动参数一起分析税务条例并产生有效的投资策略的解决方案。

发明内容

本发明提供了一种永久赠与的系统。所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库。所述已编程指令涉及以下构成要素：a)一个或多个捐赠方实体；b)一个或多个捐助基金实体，其中所述捐赠方实体向所述捐助基金实体投资并且所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销；c)一个或多个商业实体，其中所述捐助基金实体向所述商业实体投资并且所述商业实体将盈利回报给所述捐助基金实体；d)控制委员会；以及e)投资分配器，其向所述控制委员会做出投资建议，其中所述控制委员会向所述投资分配器提供投资偏好。所述投资分配器包括模式匹配模块和静态变量模块。所述捐赠方实体、所述捐助基金实体、所述商业实体以及所述控制委员会是对应于社会上的企业或机构的计算机显现。经计算机显现的实体可以经由输入设备和输出设备以及通过诸如互联网之类的通信网络来从和向为所述企业等工作的人类通信。

所述系统进一步包括盈利分配器，其做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议。所述盈利分配器包括模式匹配模块和静态变量模块。

为所述投资分配器的所述模式匹配模块递送针对市场表现和盈利历史的数据。向所述盈利分配器递送针对商业实体盈利构成的数据。

在所述模式匹配模块中，存储盈利和/或投资分配决策，并且创造性模块使用所存储的决策、所述盈利历史、所述市场表现、所述静态变量模块中的静态变量或者由所述控制委员会提供的静态准则来创造分配决策的新的变化。

所述系统进一步包括搭配设计器，其设计投资搭配。在所述搭配设计器中，将投资量、慈善事业、期望风险、根据所存储的分配决策的长期分配趋势和/或来自利润率组成模块的盈利趋势输入到创造性模块。

所述系统进一步包括税务法规解译器，其包括查找重叠模块，其在两个或更多个税务法规之间执行计算出的重叠搜索；以及通用税务单元，其存储税务法律信息。所述通用税务单元包括初始定义更新模块和初步转换模块，所述初步转换模块将税务法律信息转换成包括依存关系树和单元定义的原始结构。所述依存关系树包含对象依存关系的链接，其中所述单元定义包含税务相关的对象的名称、描述和定义。

所述通用税务单元进一步包括并行化的计算机处理系统，其接收所述原始结构作为定义更新的一部分，并且执行可扩缩且并行的数据挖掘过程以计算用以构成导出结构的数据集。

所述导出结构包括导出树、单元定义、由所述导出树继承的导出规则，所述导出树包含从所述原始结构的初始内容中隐含的数据，所述单元定义包含与由所述导出树所引用的对象相关联的标签，其中所述导出结构利用通用流行算法来演绎感兴趣的点。

响应于简单信息查询，比较第一税务法规的原始结构与第二税务法规的原始结构。响应于复杂信息查询，比较第一税务法规的导出结构与第二税务法规的导出结构。焦点分析将第一税务法规的感兴趣的点与第二税务法规的感兴趣的点进行同步。将来自所述焦点分析的结果发送给第一税务法规和第二税务法规的导出树。将来自所述导出树的信息与来自所述单元定义的其相应的定义进行匹配。

所述创造性模块参考两个或更多个在先分配决策。所述分配决策中的每一个包括市场情境、投资方情境以及最终结果。将所述分配决策提供给智能选择器，其执行来自所述分配决策中的每一个的两个对象的比较和演绎并推送混合形式以用于输出。准则匹配模块参考从所述模式匹配模块提供的输入准则并从所述智能选择器中选取适于市场变量的混合形式。

所述在先分配决策包括从在先分配决策数据库以及由所述分配器释放的新信息导出的财务分配决策的平均模型。所述智能选择器将它们融合到所述混合形式中。模式定义了正在其中使用所述创造性模块的算法类型。根据通过所述静态准则设定的比率来对大量的重叠信息进行过滤，所述静态准则包括排序优先级化、期望的数据比率以及用以引导融合的数据，其取决于选择了什么模式。取决于所述静态准则来对所述在先分配决策执行原始比较。

当这两个数据集对定义该形式中的相同位置处的特征有所竞争时，进行优先级化过程以基于所述静态准则和所述模式来产生具有融合特性的形式。

输入模块接收由所述模式匹配和所述分配决策产生的结果。理性处理模块比较接收到的输入的属性与导出规则。所述理性处理模块包括规则处理模块，其使用所述导出规则作为参考点来针对给定问题确定感知范围。批判性规则范围扩展器接收已知的感知范围并将它们升级成包括批判性思考感知范围。通过使用所述批判性思考感知范围来修正所述导出规则。

记忆网络扫描针对可履行规则的记录。执行可适用且可履行的规则以产生推翻决策。规则执行模块执行已被确认为存在且被履行的规则以产生批判性思考决策。批判性决策输出模块通过比较由感知观察者模拟器以及所述规则执行模块达成的结论来产生最终逻辑。

记录模块包括用于在没有输入的影响下进行批判性决策的原始信息。适用感知角度模块包括输入算法所适用且已被所述输入算法利用了的感知角度。自动化的感知发现机制利用所述创造性模块来增加所述感知范围。

自我批判知识强度模块估计超出可报告记录的能力之外的潜在未知的知识的范围和类型。所述感知观察者模拟器产生观察者的模拟，并且利用观察者模拟的各变化来测试和/或比较所有潜在的感知点。用于所述感知观察者模拟器的输入包括所有的潜在感知点和增强的数据记录，并且用于所述感知观察者模拟器的输出包括从所述增强的数据记录并根据具有所选感知的混合体的最相关的观察者所产生的决策。使用从数据增强记录导出的CVF作为用于感知存储的搜索准则。隐含导出模块从已知的感知角度导出所隐含的数据感知角度。度量组合模块将各感知角度分离到各度量类别中。度量转换模块将各个度量逆变回完整的感知角度。度量扩张模块分门别类地将感知角度度量存储在各个数据库中。

批判性规则范围扩展器利用已知的感知来扩张规则集的批判性思考范围。感知匹配模块从接收自规则语法导出的感知来形成CVF。记忆识别模块从输入数据形成混沌场，并执行场扫描以识别已知的概念。记忆概念索引模块单独地将全部概念优化到索引中。规则履行解析器接收具有识别标记的规则的各个部分，在逻辑上演绎在所述混沌场中识别了哪些规则值得规则执行。规则语法格式分离模块按照类型分离并组织正确规则。规则语法导出模块将逻辑规则转换成基于度量的感知。规则语法生成模块接收已确认的感知并从事于感知的内部度量组成。

最终逻辑模块逻辑接收来自直观决策和思考决策的智能信息。直接决策比较模块将来自所述直观决策和所述思考决策的这两个决策进行比较以检查证实。所述直观决策经由利用感知而参与到批判性思考中。所述思考决策经由利用规则而参与到批判性思考中。批判性规则范围扩展器通过利用先前未考虑的感知角度来扩展规则集的理解范围。混沌场解析模块将记录的各格式组合成称作混沌场的单个可扫描单元。从记忆识别模块中产生额外的规则以补充已经建立的正确规则。

在感知匹配模块中，关于度量统计资料，从感知存储中提供统计信息。所述统计资料定义了度量的流行趋势、内部度量关系和度量增长率。错误管理模块解析源于各个度量中的任何的语法和/或逻辑错误。节点比较模块接收两个或更多个CVF的节点组成。所述CVF的每个节点表示性质(property)的重要程度。基于各个节点执行相似度比较，并计算合计方差。原始感知直观思考模块根据模拟格式来处理所述感知。原始规则逻辑思考模块根据数字格式来处理规则。以一不具有阶梯的平滑曲线上的梯度来存储涉及到所述财务分配决策的模拟格式感知。以不具有灰色区域的阶梯来存储涉及到所述财务分配决策的数字格式原始规则。

本发明还提供一种在系统中执行永久赠与的方法，所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库。所述方法包括以下步骤：(a)由一个或多个捐赠方实体向一个或多个捐助基金实体投资；(b)由所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销；(c)由所述捐助基金实体向一个或多个商业实体投资；以及(d)由所述商业实体将盈利回报给所述捐助基金实体。投资分配器向控制委员会做出投资建议。所述控制委员会向所述投资分配器提供投资偏好。盈利分配器做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议。所述分配器中的每一个包括创造性模块和CTMP模块。

附图说明

将通过参考结合以下各图的详细描述而更完整地理解本发明，在各图中：

图1是示出根据本发明的永久赠与系统的任务流程的框图；

图2是示出在图1的各实体之间的投资和回报流程的示意图；

图3是示出要处置税务条例的各模块的示意图；

图4是示出由董事会进行的控制的示意图；

图5和图7是示出盈利分配器和投资分配器的示意图；

图6是示出利润率组成算法的示意图；

图8是示出用于分配决策的模式匹配算法的示意图；

图9是示出搭配设计器算法的示意图；

图10是示出税务法规解译器算法的示意图；

图11是示出通用税务单元的原始结构和导出结构的示意图；

图12是示出税务法规解译器算法的示意图；

图13是示出如何使用创造性模块用于分配决策的示意图；

图14是示出创造性模块的示意图；

图15是示出创造性模块的智能选择器子模块的示意图；

图16和图17是示出如何在创造性模块中通过优先级化过程进行融合的示意图；

图18是示出由CTMP使用感知角度的子模块的示意图；

图19是示出与不同等级的感知角度相关的子模块的示意图；

图20是示出感知观察者模拟器的示意图；

图21是示出与度量和感知角度相关的子模块的示意图；

图22是示出与规则分析相关的子模块的示意图；

图23是示出处理CTMP中的智能信息的流程的示意图；

图24是示出用于CTMP的输入和输出的示意图；

图25是示出已选模式匹配算法的示意图；

图26是示出由CTMP经由感知和规则执行的批判性思考算法的示意图；

图27是示出如何由CTMP产生正确规则的示意图；

图28、图29和图30是示出感知模块如何操作的示意图；以及

图31是示出根据本发明的永久赠与方法的流程图。

具体实施方式

参阅图1，示出了MPG(用于永久赠与/善行的方法)系统中的捐赠方1的虚拟表示(计算机显现)。捐赠方1由于其与唯一成员状态的兼容性而被构建为法人LLC。该MPG系统保持追踪其全部的捐赠、捐赠偏好、投资回报等。(注意：LLC是按照美国法律的有限责任公司，其在英国中的等价形式为有限责任合伙(LLP))。示出了捐助基金2的虚拟表示(计算机显现)。该MPG系统保持追踪全体委员、投资资本的平衡和支出历史等等。参阅低盈利L3C(低盈利有限责任公司)3，示出了多个L3C实体的虚拟表示(计算机显现)。该MPG系统保持追踪它们的管理、开支、收益、计划盈利、实际盈利。参阅程序相关的投资4，每个低盈利L3C 3具有定义所做投资的类别的相关联的程序。参阅投资回报5，由于L3C结构的税务影响，低风险的投资伴随有来自投资的低利润率。

参阅图2的参考标号6，被构建为LLC的捐赠方1将钱投资到捐助基金中，并且实际上与到该基金中的所有其他平行投资方变成了合伙人。参阅投资7，通过使用基于复杂算法的投资建议，来自捐助基金2的钱被分渠(channe l)并分布在被构建用于低风险和低获利的许多小规模的L3C之中。参阅回报8，将初始投资的低利润率回报发送回给合伙人控制的捐助基金。参阅回报9，取决于基金的长期表现，捐赠方LLC接收与所投资的初始量成比例的利润率。

参阅图3，示出了对其管辖权内的商业活动征收税收的相关权力机关10(例如，美国的国内收入署(IRS)、英国的英国税务海关总署(HMRC))。参阅退税11，由于早期的税务冲销15，捐赠方LLC 1接收到由于上一年度(在该税务冲销生效之前)超额缴纳而得到的退税。参阅税款12，从捐赠方LLC向税收部门10缴纳税款。参阅投资回报13，从捐助基金2、并且因此相关地低盈利L3C 3回报了盈利。参阅捐赠14，捐赠方LLC转移钱作为对捐助基金的投资，但是其在法律上被视为是捐赠。这通常导致税务冲销15。在有税务冲销15的情况下，作为捐赠来进行投资变成了降低税务负担以增进中到长期的投资循环的一种手段。

参阅图4，捐赠方LLC构成董事会23，其在投资资本16处组织主要基金池。经由捐赠来转移基金。投资分配器17是人工智能程序，其向董事会23做出高度确信的建议。参阅控制18，董事会共同将其投资偏好施加给投资分配器17。这可以包括微调定义人工智能软件的偏好的大规模变量和准则，或者还有投资建议的直接批准或拒绝。参阅捐赠19，在批准投资分配器的建议时，委员会的各个成员呈递其偏好的投资量作为捐赠。使用监督模块20用于投资透明度，因为委员会的每个成员都有权理解他/她的合伙人的财务决策。参阅L3C 21，各L3C是单独且分离地管理的。他们接收投资并盈利虽低但持续的收益流(通常)。还参见3。盈利分配器22——投资分配器17的人工智能的扩展——将高度确信的建议发送给委员会以用于这些钱中的多少应保留在L3C内作为再投资、以及多少应被委托回给董事会(以用于进一步的投资)。董事会23由在法律上在LLC唯一成员状态内行动的成员构成。常任董事24是在投资资本16中具有较大股份份额的(一个或多个)成员捐赠方LLC。

参阅图5和图7，作为智能功能来执行模式匹配25以指定盈利和投资分派。参阅监督26，董事会对内部透明的财务转移(还参见20)施加控制。静态变量27表示智能算法的可按照变量进行修改的各方面，所述变量对智能行为具有大规模且逐步的影响。历史表现数据28可以用于评估市场表现30和盈利历史31。参阅数据递送29，为投资分配器17的模式匹配25递送适当的数据(市场表现和盈利历史)。市场表现30指示相关的L3C 3行业/市场的大体趋势。盈利历史31指示关于活动L3C3的特定执行趋势。参阅利润率组成32，数据系列构建了全部活动的L3C的特定盈利构成。这像是大体总结报告，其指示哪个L3C 3正在赚钱，哪个实际上保本了，以及哪个正经受损失。将这样的信息传递到盈利分配器22上，使得可以正确地分布盈利。该数据系列还有助于进行关于下一批投资的分布的决策。盈利33表示所有的L3C的共同努力的潜在净盈利。投资34表示放入该系统中、由投资分配器17分派的初始投资。

参阅图6的5/10％盈利35，是被标记为具有净盈利的L3C。这样的L3C可以跨不同的分区和行业，诸如食品、医疗、庇护等。参阅保本36，是实际上对于其利润率保本的L3C。参阅10％损失37，是相对于所投入的初始金钱量经受了损失的L3C。该损失通常通过早期赚取的税务冲销15来缓解。

参阅图8的存储以用于下一模式匹配38，存储盈利和/或投资分配决策以用于未来参考。尤其是通过模式匹配2自动化系统来进行这样的参考。存储所有的在先分配决策39，使得它们可以成为用于未来分配决策的参考框架。创造性模块40使用在先分配决策39以及各式各样的复杂变量(包括盈利历史31、市场表现30等)来创造反映市场趋势改变的分配决策的新的变化。这样的新的分配决策是用于下一批投资和/或盈利分配的潜在候选。在从创造性模块40执行了试错候选选择之后达成了最终商定的分配决策41。模式42是创造性模块40特定的变量，它修改创造性模块40的功能模式。(即,组合变量x、y、z。或者产生a、b和c之间的差异比较等等。)。静态准则43是创造性模块40特定的变量，它包含针对其应如何着手形成新的混合形式(即，分配决策)的静态但非永久性的准则。关于模式匹配模块25的最终输出44包含分配决策或表示未能实现分配决策(其可能是由于不充足的变量等等)的计算机代码。

参阅图9，搭配设计器45将会将来自捐赠方LLC 43的准则与当前市场数据融合以自动设计用作根据事实的建议的投资搭配。由搭配设计器45给出大体商业趋势的最终投资建议46。投资量47是投资方关于投资的流动性和大小的投资偏好的组成。慈善事业48是投资方关于慈善事业的投资偏好的组成。期望风险49是投资方关于经受损失的风险与潜在的高获利相比的投资偏好的组成。

参阅图10的50，除了所准予的税务冲销15之外，回顾考虑到L3C的定制的税务结构，缴纳了较少的税款。税务法规解译器51解译税务法规，以使得可以关于这样导出的数据执行有意义的动态操作。查找重叠52，在两个输入L3C税务法规53和行业税务法规54之间执行计算出的重叠搜索。L3C税务法规53表示关于特定L3C的税务法规。行业税务法规54表示关于整个一般行业的税务法规。参阅增长的收益55，向税收部门10缴纳的较少的税款50导致考虑到税款减免之后的增长的总体收益。这是由于利用了在税务法规中计算出的效益点的定制的L3C企业结构(参见52)。参阅再投资56，将这样增长的收益55部分地分配用于再投资回到L3C中(由投资分配器17执行的分配决策)。参阅更多盈利57，向税收部门10缴纳的较少的税款50导致通常更高的利润率，应将其部分地再分配回到捐助基金2中。税务部门58是处置税款的计算和报送的相关组织的税务部门。

参阅图11，通用税务单元59是文件存储格式，其处置涉及到税务法律(州属税务法律、联邦税务法律等)的任何通常收集的信息。该单元用作用于涉及到税务法律的不同种类的信息的容器，取决于正在关于税务法律进行什么种类的信息处理而以不同方式使用所述信息。参阅定义更新60，初始定义更新指的是通用税务单元容器59从适当且已验证的源接收新的且已更新的税务法律信息。例如，定义更新可以由网络爬虫来执行，所述网络爬虫自动地针对关于船舶所有权的他们的税务法律检查.gov网站。初步转换61取得法律的原始静态列表，并将它们分成两个主要部分；依存关系树63和单元定义64。这么做以使得还可以进行静态法律查找，并且这是在于并行化的计算机处理系统66处进行的主要优化之前的次要优化形式。

原始结构62包含可用、但是以静态的未优化的引用方法的全部的税务信息。依存关系树63包含对象依存关系的一系列链接。例如，OBJECT 1A REQUIRES→OBJECT 5C(对象1A要求→对象5C)，OBJECT 5C CONDITIONAL→OBJECT 12B(对象5C条件→对象12B)等等。对象本身并没有定义在此处，而是定义在了单元定义64中。(原始结构62中的)单元定义64包含税务相关对象的名称和描述/定义(即，法律A3、款项49B、组织类型L3C等)。例如，如果API(应用程序接口)76仅需要(在税务的情境中)查找类别C船舶的定义是什么，那么其可以高效且有效地查找单元定义64而非解析来自.gov网站的原始文本。还需要单元定义来了解依存关系树63的意思。(在60处的定义更新之后的)次级定义更新65将相同的静态信息传递给并行化的计算机处理系统66，以使得API 76可动态地访问所述信息。

并行化的计算机处理系统(PCPS)66接收原始结构62作为定义更新65的一部分。该系统然后利用高度可扩缩的数据挖掘过程，其计算由导出结构68构成的动态数据集。这样的可扩缩且并行的计算机处理线程使得能够同时执行大量的税务分析数据挖掘，这最终导致分配决策质量方面的提高。导出更新67在每次有60和67导出更新时将新处理的动态信息推送给导出结构。导出结构68是信息容器，其包含反映税务法规的初始原始结构的动态信息点。

导出树69是依存关系树63的修改版本。差异在于导出树包含已从初始内容隐含的陈述和论断。这样的隐含可以包括规则的组合。例如，如果一州属法律声明如果你不到18岁则豁免你缴纳税款并且同一州的开始工作的法定年龄为16岁，那么隐含着在16到18岁之间的两年可以工作而无需缴纳州属税款。单元定义70包含与导出树69所引用的对象相关联的所有标签，诸如公司类型名称等。算法利用通用流行算法来演绎感兴趣的点的捷径71。稍后引用这样的点用于作为在税务法规之前进行比较的构建块。首先通过比较什么事物来改进计算效率。导出规则72是导出树所继承的结论。这是69的示例(16-18岁不缴纳税款)将被存储的地方。参阅73，示出对导出规则72的导出异常。参阅优化的信息74，优化了所得到的导出结构信息以用于数据分析目的。这使得能够实现允许MPG作为整体访问税务解译的API(应用程序接口)76的功能性和效率。信息查询75是来自API的要提供关于税务法规的这样那样的信息的请求。API 76可以是任何预期的程序，其从通用税务单元59和因此的导出结构中搜寻信息。

参阅图12的所执行的静态、简单的查找77，对于可能要求引用初始原始税务结构的简单信息查询和案例场景，比较这两个税务法规(L3C53和行业54)的原始结构。参阅所执行的动态、复杂的分析78，对于复杂和/或非典型API 76请求，引用这两个税务法规的导出结构。定义查找79是77静态查找的初级模块，简单的定义查找。焦点分析80将会在这两个税务法规之间同步感兴趣的点。将所找到的这样的重叠和模式推送用于从这两个税务法规的导出树69中进行引用，以用于信息复杂度、范围和质量的进一步扩张。参阅隐含的税务结论81，在已将浮现自导出树69的信息与来自单元定义64的其相应定义进行匹配之后，达成关于税务查询的结论。参阅最终输出82，响应于API 76请求而推送来自81的这样的税务结论。这些税务解译结论使得创造性模块能够做出财务分配决策的更适合的混合形式，并且使得CTMP能够根据由API 76报告的信息来独立地批判财务分配决策。

参阅图13的83，创造性模块参考不同的在先分配决策以将其用作用于新形成的分配决策的先例。市场情境84包括市场表现30和盈利历史31。投资方情境85指示捐赠方LLC投资准则43。最终结果86参考考虑到那些市场和投资方情境而做出的实际分配分摊是什么。调用智能选择器87的实例，其是创造性模块的核心组件，其在输入中被提供有两个对象用于原始比较97的同时执行智能比较和演绎，直到推送了混合形式用于输出。参阅市场情境88，其类似于市场情境84，除了其是根据智能选择器87从两个分配决策融合而来的之外。参阅投资方情境89，其类似于投资方情境85，除了其是根据智能选择器87从两个分配决策融合而来的之外。参阅投最终结果90，其类似于最终结果86，除了其是根据智能选择器87从两个分配决策融合而来的之外。准则匹配91参考从模式匹配25提供的输入准则来选取最佳适合于比如市场表现30和盈利历史31之类的市场变量的混合形式。参阅新的分配决策提议92，其为设定以用于最终创造性模块输出的最终的、新的、混合化的分配决策。

参阅图14的93，将两个父代形式(在先形式)推送给智能选择器以产生混合形式。这些形式可以表示数据的抽象构造。形式A表示从在先分配决策DB(图13的DB 39)导出的财务分配决策的平均模型。形式B表示由财务分配关于其如何对某些市场和投资方变量做出反应而释放的新信息。以形式B的信息允许所产生的混合形式(形式AB)称为比形式A所表示的内容更好的财务分配。智能选择器94算法选择新的特征并将其融合到混合形式中。模式95定义正在其中使用所述创造性模块的算法类型。这样，智能选择器知晓：取决于正在使用的应用，什么部分适于融合。该系统具有用以配置融合过程以处理各类型的传入数据集以及期望的输出类型为何的预设模式。根据由静态准则96设定的比率来对大量的重叠信息进行过滤。如果该比率被设定为大，那么保持一致的大量的形式数据将被融合到混合形式中。如果该比率被设定为小，那么将要构建的混合形式中的大部分将会具有与其过去的迭代相比大为不同的形式。当这两个数据集对定义该形式中的相同位置处的特征有所竞争时，进行优先级化过程以选取使哪些特征突出以及重叠和隐藏哪些特征。融合重叠点的方式。大多数时候都有可以进行特定融合的多种方式，因此静态准则和模式指导该模块来相比于某一融合而优选另一融合。

将模式设定为“投资分配”，使得智能选择器知晓期望的输入数据具有分配决策DB39表示(形式A)并且具有详述了对市场和/或投资方变量的规则集反应的新释放的信息(形式B)。所归集的模式定义了关于要如何最佳地融合新数据与旧数据以产生有效的混合形式的详细方法。通过为应当如何融合各形式提供通用定制的税务解译/投资分析来提供静态准则96。这样的数据可以包括排序优先级化、期望的数据比率以及用以指导融合的数据，其是取决于选择了什么模式。如果模式被选择为“投资分配”，那么从失败的分配决策中得到的信息应当会极大地影响分配决策DB 39以强烈改变这样的分配的构成。如果开发在这样的变化之后仍然失败，那么完全放弃该分配。

参阅图15，取决于通过税务解译/投资而提供的静态准则来对这两个传入形式执行原始比较97。在示例中，在执行了原始比较之后，绝大部分的形式根据静态准则是可兼容的。所找到的仅有的差异是形式A包括被静态准则标记为“外来(foreign)”的响应。这意味着分配决策DB 39表示形式B并不涵盖/表示在形式A中找到的某一无规律事物。参阅排序改变重要性98，根据所提供的静态准则对什么改变比较重要而什么改变不重要进行排序。在示例中，因为无规律事物是在没有以形式B表示出的形式A中找到的，因此静态准则识别出该无规则事物具有至关紧要的重要性，因而这导致在融合过程中进行突出的修改以产生混合形式AB。参阅99(融合——模式、比率、优先级、样式)，以静态准则和正在使用的模式为基础将保持相同的内容和被发现不同的内容重新集合到混合形式中。这样的变化可以包括数据的比例分布、某些数据的重要程度如何、以及应当如何将数据互相融合/关联到彼此。在示例中，接收无规则构成的排序重要性。在进行适当的调节之后，由静态准则引导的过程辨别对所述无规则事物的该反应是否与数据的其它部分兼容。融合过程然后修改这样的预存在的数据，以使得所述无规则修补可以有效地与预存在的数据相调和。

参阅图16的优先级100，当仅一个特性可以占用某一方面(spot)(以红色高亮)时，那么进行优先级化过程以选取哪个特征。当这两个数据集对定义该形式中的相同位置处的特征有所竞争时，进行优先级化过程以选取使哪些特征突出以及重叠和隐藏哪些特征。参阅图17，示出了两个潜在的成果。实际上，这些形式中的仅一个可以是最终输出。参阅样式101，融合重叠点的方式。大多数时间在特征之间存在重叠形式，因此可以产生具有融合特性的形式。融合重叠点的方式。大多数时候都有可以进行特定融合的多种方式，因此静态准则和模式指导该模块来相比于某一融合而优选另一融合。在该实施例中：当提供三角形和圆形作为输入形式时，可以产生“吃豆人”形状。

参阅图18，主观意见决策102指示由输入算法提供的初始主观决策，其在该情况下是MPG模式匹配和分配决策进行。输入系统元数据103指示由MPG提供的、描述MPG的机械过程以及其如何达成这样的决策的原始元数据。理性处理104将通过比较各性质的属性而在逻辑上理解正在做出的论断。在规则处理105——理性处理104的子集中，使用已导出的所得到的规则作为参考点来确定手头问题的范围。批判性规则范围扩展器106将取得已知的感知范围并将它们升级成包括批判性思考感知范围。正确规则107指示已通过使用批判性思考感知范围而导出的正确规则。在记忆网络108中，针对可履行的规则扫描市场变量(市场表现30和盈利历史31)记录。执行任何可适用且可履行的规则以产生投资分配推翻决策。在规则执行109中，执行已按照混沌场的记忆扫描被确认为存在且被履行的规则以产生期望且相关的批判性思考决策。在批判性决策输出110中，是用于通过比较由这两个感知观察者模拟器(POE)119和规则执行(RE)109所达成的结论来确定CTMP的总体输出的最终逻辑。批判性决策111是最终输出，其是关于事务的试图尽可能客观的意见。

记录112是用于在没有来自输入算法(MPG)的主观意见的任何影响或偏差的情况下独立地做出批判性决策的原始信息。原始感知产生113指示执行已按照混沌场的记忆扫描被确认为存在且被履行的规则以产生期望且相关的批判性思考决策。适用感知角度114指示已被输入算法(MPG)适用且已被所述输入算法(MPG)利用了的感知角度。自动化感知发现机制(APDM)115指示利用产生混合化的感知(其是根据由适用感知角度114提供的输入而形成的)以使得可以增加感知范围的创造性模块的模块。116指示可用于计算机系统的整个感知范围。批判性思考117指示基于规则的外壳管辖的思考，其导致规则执行(RE)显现关于CTMP输入提示良好建立的规则以及从CTMP内导出的新的正确规则107。

参阅图19的自我批判性知识强度模块118，传入原始记录表示输入系统(MPG)所已知的技术知识。该模块估计超出可报告记录的能力之外的潜在未知的知识的范围和类型。以此方式，CTMP的随后的批判性思考特征可以利用全部涉及到的、系统所直接已知以及未知的知识的潜在范围。感知观察者模拟119产生观察者的模拟，并且利用观察者模拟的这样的变化来测试/比较所有潜在的感知点。在输入是全部潜在的感知点加上增强的数据记录时；输出是由这样的增强记录根据最佳的、最相关的且最谨慎的观察者利用所选感知的这样的混合产生的所得到的投资分配决策。参阅隐含导出(ID)120，可以从当前已知的感知角度导出所隐含的数据感知角度。参阅推翻修正的动作121，是由感知观察者模拟器(POE)产生的最终修正的动作/论断批判性。

参阅图20，感知观察者模拟器122产生观察者的模拟，并且利用观察者模拟的这样的变化来测试/比较所有潜在的感知点。在输入是全部潜在的感知点加上增强的数据记录时；输出是由这样的增强记录根据最佳的、最相关的且最谨慎的观察者利用所选感知的这样的混合产生的所得到的投资分配决策。参阅资源管理和分配(RMA)123，可调节的策略规定被利用以执行观察者模拟的感知的量。根据以降序顺序的权重来选择所选感知优先级。所述策略然后可以规定选择中断的方式——是否是百分比、固定数还是更复杂的选择算法。参阅存储搜索124，使用从数据增强记录导出的CVF作为感知存储(PS)数据库查找中的准则。度量处理(MP)125将来自所选模式匹配算法(SPMA)投资分配的变量逆向工程为来自这样的算法的智能的“残值”感知。感知演绎(PD)126使用投资分配响应的一部分和其对应的系统元数据来复制投资分配响应的初始感知。批判性决策输出(CDO)127指示用于确定CTMP输出的最终逻辑。参阅元数据分类模块(MCM)128，使用传统的基于语法的信息分类来将调试和算法跟踪分离到不同的类别中。然后可以使用这样的类别来组织和产生具有与市场/税务风险和机遇的关联性的有区别的投资分配响应。参阅系统元数据分离(SMS)129，将输入系统元数据103分离到有意义的投资分配因果关系中。参阅填装器(populator)逻辑130，对具有相关市场/税务风险、机遇的全部投资分配和其相应响应进行综合归类。主题导航器131滚动通过所有可适用的主题。主题填装器132检索与所述主题相关的适当的投资风险和分配。参阅133，索引并存储感知。除了感知的相关权重之外，还与可比较的变量格式(CVF)一起存储感知作为所述感知的索引。这意味着对数据库进行优化以接收CVF作为输入查询查找，并且结果将是感知的归类。

参阅图21，隐含导出(ID)134可以从当前已知的感知角度导出所隐含的数据感知角度。参阅自我批判性知识强度(SCKD)135，传入的原始记录表示已知的知识。该模块估计超出可报告记录的能力之外的潜在未知的知识的范围和类型。以此方式，CTMP的随后的批判性思考特征可以利用全部涉及到的、系统所直接已知以及未知的知识的潜在范围。在度量组合136中，将感知角度分离到度量的类别中。在度量转换137中，将各个度量逆变回完整的感知角度。在度量扩张(ME)138中，将多个且变化的感知角度的度量分门别类地存储在单独的数据库中。上边界由每个单独的度量DB的尖峰知识来表示。基于增强和复杂度丰富，将度量返回成转换回到感知角度并被用于批判性思考。在可比较的变量格式生成器(CVFG)139中，将信息流转换成可比较的变量格式(CVF)。

图22示出了CTMP的依存关系结构。在批判性规则范围扩展器(CRSE)140中，利用已知的感知来扩张规则集的批判性思考范围。在感知匹配141中，从接收自规则语法导出的感知中形成可比较的变量格式(CVF)。使用新形成的CVF来在感知存储(PS)中查找具有类似索引的相关感知。将潜在匹配返回到规则语法生成。在记忆识别142中，从输入数据形成混沌场。执行场扫描以识别已知的概念。在记忆概念索引143中，将全部的概念单独地优化到称为索引的分离的部分中。由字幕扫描器使用这些索引来与混沌场进行交互。规则履行解析器(RFP)144接收具有识别标记的规则的各个部分。每个部分被标记为已在混沌场中被记忆识别(MR)142找到或者未被找到。RFP然后可以在逻辑上演绎哪些全部规则、所有其部分的组合已在混沌场中被充分地识别为值得规则执行(RE)。在规则语法格式分离(RSFS)148中，按照类型分离和组织正确规则。因此，分离地堆叠所有的动作、性质、条件和对象。这使得系统能够辨别什么部分已在混沌场中被找到以及什么部分还未被找到。在规则语法导出146中，将逻辑上“黑白”的规则转换成基于度量的感知。将多个规则的复杂布置转换成经由变化的梯度的多个度量来表达的单个统一的感知。规则语法生成(RSG)147接收以感知格式存储的先前确认的感知。从事于感知的内部度量组成。将这样的基于梯度的度量的量度转换成二进制且合逻辑的规则集，其模拟初始感知的输入/输出信息流。规则语法生成(RSG)147接收以感知格式存储的先前确认的感知。从事于感知的内部度量组成。将这样的基于梯度的度量的量度转换成二进制且合逻辑的规则集，其模拟初始感知的输入/输出信息流。规则语法格式分离(149)正确规则表示符合于正在观察的对象的现实的规则集的准确显现。按照类型分离和组织正确规则。因此，分离地堆叠所有的动作、性质、条件和对象。这使得系统能够辨别什么部分已在混沌场中被找到以及什么部分还未被找到。固有逻辑演绎150使用逻辑原理——并且因此避免谬误——来演绎什么种类的规则将准确地表示感知内的度量的许多梯度。为了例证示例，其就像是取(射频等的)模拟正弦波并将其转换成数字阶梯。总体的趋势、位置和结果是相同的。然而，模拟信号已被转换成数字的。度量情境分析151分析度量感知内的互连关系。某些度量能够以变化的量级程度而取决于其它的度量。使用该情境化来补充规则在“数字”规则集格式内具有的镜像化的互连关系。输入/输出分析152执行每个感知(灰色)或规则(黑白)的输入和输出的差异分析。该模块的目的是要确保在变换(从灰色到黑/白以及相反)之后输入和输出保留尽可能类似或相同。标准计算153计算输入规则的任务和准则。这可以被转译成规则集背后的“动机”。规则是针对原因而实现的，这可以通过隐含或通过显式定义来理解。因此，通过计算为什么实现了一“数字”规则的原因，可以使用同一原因来证明寻求相同的输入/输出能力的感知内的度量组成的合理性。规则格式化分析154分析规则的总体构成/组成以及它们如何与彼此交互。用于补充度量在“模拟”感知内具有的镜像化的互连关系。规则语法格式转换(RSFC)155，对规则进行归类和分离以符合于规则语法格式(RSF)的语法。

图23示出了CTMP中用于处理智能信息的最终逻辑。该最终逻辑接收来自直观/感知和思考/逻辑模式(分别为感知观察者模拟器(POE)和规则执行(RE))二者的智能信息。在直接决策比较(DDC)156中，比较来自直观和思考的这两个决策以检查证实。关键差异在于还没有比较元-元数据，因为如果它们以任何方式等同地一致，那么理解原因是冗余的。终端输出控制(TOC)157是用于确定这两个模式——直观158和思考159之间的CTMP输出的最后的逻辑。直观决策158是CTMP的两个主要部分中的经由利用感知而参与批判性思考的那一个。参见感知观察者模拟器(POE)119。

思考决策159是CTMP的两个主要部分中的经由利用规则而参与批判性思考的那另一个。参见规则执行(RE)109。感知160是根据以内部格式162定义的格式语法的、接收自直观决策158的数据。履行的规则161是作为来自规则执行(RE)109的可适用(可履行)规则集的集合的、接收自思考决策160的数据。根据以内部格式162定义的格式语法来传递这样的数据。内部格式162，元数据分类模块(MCM)128能够识别这两个输入的语法，因为它们已被标准化有在CTMP内内部地使用的已知且一致的格式。

图24示出了将直观/感知和思考/逻辑的两个主要输入同化成作为整体代表CTMP的单个终端输出。批判性决策+元-元数据163是根据以内部格式162定义的语法的数字载体传输感知160或履行的规则161。

图25示出了在初始选择模式匹配算法(SPMA)中发生的智能思考的范围。输入变量168是正针对理性和规则处理进行考虑的初始财务/税务分配变量。CTMP意图批判它们并变成人工智能的第二意见。变量输入169接收定义财务/税务分配决策的输入变量。这样的变量为CTMP提供了准则以辨别什么是理性的修正动作。如果存在变量中的加法、减法或改变；那么必须在所得到的修正动作中反映出适当的改变。CTMP的至关紧要的目标是要辨别修正动作的正确的、批判性的改变，其正确且准确地反映出输入变量中的改变。所选模式匹配算法(SPMA)170，所选模式匹配算法试图根据其自己的准则来辨别最适当的动作。为了该用途，所述准则是基于来自CTMP的投资分配算法。所得到的输出形式171是由SPMA 170利用初始输入变量168产生的结果。由SPMA 170决策进行导出的规则被视为“当前规则”，但是不一定是“正确规则”。属性融合174根据由SPMA理性处理104提供的记录信息来用依照SPMA的当前知识范围继续进行。

图26示出了常规SPMA 170与由CTMP经由感知和规则执行的批判性思考并置。误解动作175，所选模式匹配算法(SPMA)170不能够提供完全准确的修正动作。这是因为一些基础的底层假设，它们没有在初始编程或SPMA的数据中得到检查。在该示例中，使用3D对象作为输入变量并且正确的适当动作例证了存在SPMA未虑及的维度/向量。适当动作176，批判性思考考虑了第三维度，其作为向量而被SPMA忽略了检查。该第三维度是被批判性思考考虑的，因为所有的额外感知角度检查执行了什么。参阅正确规则177，批判性规则范围扩展器(CRSE)通过利用先前未考虑的感知角度(即，第三维度)来扩展规则集的理解范围。参阅当前规则178，当前的修正动作决策的导出规则反映出SPMA的理解或没有其理解(如相比于正确规则)。输入规则已从所选模式匹配算法(SPMA)导出，所述输入规则描述由SPMA给予的理解的默认范围。这是通过仅理解财务分配的平面概念中的二维的SPMA来例证的。

图27示出了如何产生正确规则177，与可能忽略了显著的洞察和/或变量的常规的当前规则形成对照。混沌场解析模块(CFP)179将记录的各格式组合成称作混沌场的单个可扫描单元。从记忆识别(MR)中产生额外规则180以补充已经建立的正确规则。参阅感知规则181，考虑感知，并且将相关性和流行性转换成逻辑规则。如果感知(在其初始感知格式中)具有定义了许多“灰色区域”的许多复杂的度量关系，则“黑白”逻辑规则通过n度复杂度扩张而涵盖这样的“灰色”区域。规则语法格式182是已针对高效存储和变量查询进行了优化的存储格式。

图28-30描述了模式匹配(PM)141模块。关于度量统计资料183，从感知存储(PS)中提供统计信息。这样的统计资料定义了度量的流行趋势、内部度量关系和度量增长率等。自动执行并存储一些通用统计查询(比如总体度量流行性排序)。基于实时从PS中请求其它更具体的查询(度量X与Y的相关程度)。度量关系伸出184保持度量关系数据，使得其可以在统一的输出中被推送。错误管理185解析源于各个度量中的任何的语法和/或逻辑错误。分离度量186隔离每个单独的度量，因为它们过去是被组合在作为输入感知189的单个单元中的。输入感知189是感知的示例构成，其由度量视觉、嗅觉、触觉和听觉组成。节点比较算法(NCA)190，该模块接收两个或更多个CVF的节点组成。CVF的每个节点表示性质的重要程度。基于各个节点执行相似度比较，并计算合计方差。这确保了高效计算出的准确比较。较小的方差数——不管其是节点特定的还是合计权重——都表示较近的匹配。可比较的变量格式(CVF)191、192、193是用以例证各种组成的视觉表示，CVF报送匹配作为输出194是用于模式匹配(PM)的终端输出。不管节点比较算法(NCA)190中的什么重叠都被保留为匹配结果，并且因此在此处报送总体结果。

图30示出了规则语法导出/生成。原始感知直观思考(模拟)195是根据“模拟”格式处理感知的地方。原始规则逻辑思考(数字)196根据数字格式处理规则的地方。以一不具有阶梯的平滑曲线上的梯度来存储涉及到财务分配决策的模拟格式197感知。以几乎不具有“灰色区域”的阶梯来存储涉及到财务分配决策的数字格式198原始规则。

再一次关于权利要求解释本发明。

本发明提供了一种永久赠与的系统。所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库。参阅图1-5，所述已编程指令涉及以下构成要素：a)一个或多个捐赠方实体1；b)一个或多个捐助基金实体2，其中所述捐赠方实体向所述捐助基金实体投资并且所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销15；c)一个或多个商业实体3，其中所述捐助基金实体向所述商业实体投资并且所述商业实体将盈利回报给所述捐助基金实体；d)控制委员会4；以及e)投资分配器17，其向所述控制委员会做出投资建议，其中所述控制委员会向所述投资分配器提供投资偏好。所述投资分配器包括模式匹配模块25和静态变量模块27。所述捐赠方实体、所述捐助基金实体、所述商业实体以及所述控制委员会是对应于社会上的企业或机构的计算机显现。经计算机显现的实体可以经由输入设备和输出设备以及通过诸如互联网之类的通信网络来从和向为所述企业等工作的人类通信。

所述系统进一步包括盈利分配器22，其做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议。所述盈利分配器包括模式匹配模块25和静态变量模块27。

为所述投资分配器的所述模式匹配模块递送针对市场表现30和盈利历史31的数据。向所述盈利分配器递送针对商业实体盈利构成32的数据。

参阅图8，在所述模式匹配模块中，存储盈利和/或投资分配决策，并且创造性模块40使用所存储的决策、所述盈利历史、所述市场表现、所述静态变量模块27中的静态变量或者由所述控制委员会提供的静态准则43来创造分配决策的新的变化。

参阅图9，所述系统进一步包括搭配设计器45，其设计投资搭配。在所述搭配设计器中，将投资量、慈善事业、期望风险、根据所存储的分配决策的长期分配趋势和/或来自利润率组成模块32的盈利趋势输入到创造性模块40。

参阅图10和图11，所述系统进一步包括税务法规解译51，其包括查找重叠模块52，其在两个或更多个税务法规53、54之间执行计算出的重叠搜索；以及通用税务单元59，其存储税务法律信息。所述通用税务单元包括初始定义更新模块60和初步转换模块61，所述初步转换模块将税务法律信息转换成包括依存关系树63和单元定义64的原始结构62。所述依存关系树包含对象依存关系的链接，其中所述单元定义包含税务相关的对象的名称、描述和定义。

所述通用税务单元进一步包括并行化的计算机处理系统66，其接收所述原始结构作为定义更新的一部分，并且执行可扩缩且并行的数据挖掘过程以计算用以构成导出结构68的数据集。

所述导出结构包括导出树69、单元定义70、由所述导出树继承的导出规则72，所述导出树69包含从所述原始结构的初始内容中隐含的数据，所述单元定义70包含与由所述导出树所引用的对象相关联的标签，其中所述导出结构利用通用流行算法来演绎感兴趣的点。

参阅图12，响应于简单信息查,77，比较第一税务法规53的原始结构62与第二法规54的原始结构62。响应于复杂信息查询，比较第一税务法规的导出结构68与第二税务法规的导出结构68。焦点分析80将第一税务法规的感兴趣的点71与第二税务法规的感兴趣的点进行同步。将来自所述焦点分析的结果发送给第一税务法规和第二税务法规的导出树。将来自所述导出树的信息与来自所述单元定义64的其相应的定义进行匹配。

参阅图13-17，所述创造性模块40参考两个或更多个在先分配决策83。所述分配决策中的每一个包括市场情境84、投资方情境85以及最终结果86。将所述分配决策提供给智能选择器87，其执行来自所述分配决策中的每一个的两个对象的比较和演绎并推送混合形式以用于输出。准则匹配模块91参考从所述模式匹配模块提供的输入准则并从所述智能选择器中选取适于市场变量的混合形式。

所述在先分配决策包括从在先分配决策数据库以及由所述分配器释放的新信息导出的财务分配决策的平均模型。所述智能选择器94将它们融合到所述混合形式中。模式95定义了正在其中使用所述创造性模块的算法类型。根据通过所述静态准则96设定的比率来对大量的重叠信息进行过滤，所述静态准则包括排序优先级化、期望的数据比率以及用以引导融合的数据，其取决于选择了什么模式。取决于所述静态准则来对所述在先分配决策执行原始比较97。

当这两个数据集对定义该形式中的相同位置处的特征有所竞争时，进行优先级化过程100以基于所述静态准则和所述模式来产生具有融合特性的形式。

参阅图18，输入模块103接收由所述模式匹配和所述分配决策产生的结果。理性处理模块104比较接收到的输入的属性与导出规则。所述理性处理模块包括规则处理模块105，其使用所述导出规则作为参考点来针对给定问题确定感知范围。批判性规则范围扩展器106接收已知的感知范围并将它们升级成包括批判性思考感知范围。通过使用所述批判性思考感知范围来修正所述导出规则。

记忆网络108扫描针对可履行规则的记录。执行可适用且可履行的规则以产生推翻决策。规则执行模块109执行已被确认为存在且被履行的规则以产生批判性思考决策。批判性决策输出模块110通过比较由感知观察者模拟器119(图19)以及所述规则执行模块达成的结论来产生最终逻辑。

记录模块112包括用于在没有输入的影响下进行批判性决策的原始信息。适用感知角度模块114包括输入算法所适用且已被所述输入算法利用了的感知角度。自动化的感知发现机制115利用所述创造性模块来增加所述感知范围。

参阅图19，自我批判知识强度模块118估计超出可报告记录的能力之外的潜在未知的知识的范围和类型。所述感知观察者模拟器产生观察者的模拟，并且利用观察者模拟的各变化来测试和/或比较所有潜在的感知点。用于所述感知观察者模拟器的输入包括所有的潜在感知点和增强的数据记录，并且用于所述感知观察者模拟器的输出包括从所述增强的数据记录并根据具有所选感知的混合体的最相关的观察者所产生的决策。使用从数据增强记录导出的CVF作为用于感知存储的搜索准则。隐含导出模块120从已知的感知角度导出所隐含的数据感知角度。参阅图21，度量组合模块136将各感知角度分离到各度量类别中。度量转换模块137将各个度量逆变回完整的感知角度。度量扩张模块138分门别类地将感知角度度量存储在各个数据库中。

参阅图21，批判性规则范围扩展器140利用已知的感知来扩张规则集的批判性思考范围。感知匹配模块141从接收自规则语法导出146的感知来形成CVF。记忆识别模块142从输入数据形成混沌场，并执行场扫描以识别已知的概念。记忆概念索引模块143单独地将全部概念优化到索引中。规则履行解析器144接收具有识别标记的规则的各个部分，在逻辑上演绎在所述混沌场中识别了哪些规则值得规则执行。规则语法格式分离模块148按照类型分离并组织正确规则。规则语法导出模块146将逻辑规则转换成基于度量的感知。规则语法生成模块147接收已确认的感知并从事于感知的内部度量组成。

参阅图22-27，最终逻辑模块从直观决策158和思考决策159接收智能信息。直接决策比较模块156将来自所述直观决策和所述思考决策的这两个决策进行比较以检查证实。所述直观决策经由利用感知而参与到批判性思考中。所述思考决策经由利用规则而参与到批判性思考中。批判性规则范围扩展器140通过利用先前未考虑的感知角度来扩展规则集的理解范围。混沌场解析模块179将记录的各格式组合成称作混沌场的单个可扫描单元。从记忆识别模块142中产生额外的规则以补充已经建立的正确规则。

参阅图28-30，在感知匹配模块141中，关于度量统计资料，从感知存储132中提供统计信息。所述统计资料定义了度量的流行趋势、内部度量关系和度量增长率。错误管理模块185解析源于各个度量中的任何的语法和/或逻辑错误。节点比较模块190接收两个或更多个CVF的节点组成。所述CVF的每个节点表示性质的重要程度。基于各个节点执行相似度比较，并计算合计方差。原始感知直观思考模块195根据模拟格式来处理所述感知。原始规则逻辑思考模块196根据数字格式来处理规则。以一不具有阶梯的平滑曲线上的梯度来存储涉及到所述财务分配决策的模拟格式感知。以不具有灰色区域的阶梯来存储涉及到所述财务分配决策的数字格式原始规则。

图31示出了一种在系统中执行永久赠与的方法，所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库。所述方法包括以下步骤：步骤S01，由一个或多个捐赠方实体向一个或多个捐助基金实体投资；步骤S02，由所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销；步骤S03，由所述捐助基金实体向一个或多个商业实体投资；以及步骤S04，由所述商业实体将盈利回报给所述捐助基金实体。投资分配器向控制委员会做出投资建议。所述控制委员会向所述投资分配器提供投资偏好。盈利分配器做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议。所述分配器中的每一个包括创造性模块和CTMP模块。

Claims (20)

1.一种永久赠与的系统，其中所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库，其中所述系统包括：

a)一个或多个捐赠方实体；

b)一个或多个捐助基金实体，其中所述捐赠方实体向所述捐助基金实体投资并且所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销；

c)一个或多个商业实体，其中所述捐助基金实体向所述商业实体投资并且所述商业实体将盈利回报给所述捐助基金实体；

d)控制委员会；以及

e)投资分配器，其向所述控制委员会做出投资建议，其中所述控制委员会向所述投资分配器提供投资偏好；

其中所述投资分配器包括模式匹配模块和静态变量模块。

2.根据权利要求1所述的系统，进一步包括盈利分配器，其做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议，其中所述盈利分配器包括模式匹配模块和静态变量模块。

3.根据权利要求2所述的系统，其中为所述投资分配器的所述模式匹配模块递送针对市场表现和盈利历史的数据，其中向所述盈利分配器递送针对商业实体盈利构成的数据。

4.根据权利要求3所述的系统，其中在所述模式匹配模块中，存储盈利和/或投资分配决策，并且创造性模块使用所存储的决策、所述盈利历史、所述市场表现、所述静态变量模块中的静态变量或者由所述控制委员会提供的静态准则来创造分配决策的新的变化。

5.根据权利要求4所述的系统，进一步包括搭配设计器，其设计投资搭配，其中在所述搭配设计器中，将投资量、慈善事业、期望风险、根据所存储的分配决策的长期分配趋势和/或来自利润率组成模块的盈利趋势输入到创造性模块。

6.根据权利要求2所述的系统，进一步包括税务法规解译器，其包括查找重叠模块，其在两个或更多个税务法规之间执行计算出的重叠搜索；以及通用税务单元，其存储税务法律信息；

其中所述通用税务单元包括初始定义更新模块和初步转换模块，所述初步转换模块将税务法律信息转换成包括依存关系树和单元定义的原始结构，其中所述依存关系树包含对象依存关系的链接，其中所述单元定义包含税务相关的对象的名称、描述和定义。

7.根据权利要求6所述的系统，其中所述通用税务单元进一步包括并行化的计算机处理系统，其接收所述原始结构作为定义更新的一部分，并且执行可扩缩且并行的数据挖掘过程以计算用以构成导出结构的数据集。

8.根据权利要求7所述的系统，其中所述导出结构包括导出树、单元定义、由所述导出树继承的导出规则，所述导出树包含从所述原始结构的初始内容中隐含的数据，所述单元定义包含与由所述导出树所引用的对象相关联的标签，其中所述导出结构利用通用流行算法来演绎感兴趣的点。

9.根据权利要求8所述的系统，其中响应于简单信息查询，比较第一税务法规的原始结构与第二税务法规的原始结构，其中响应于复杂信息查询，比较第一税务法规的导出结构与第二税务法规的导出结构，其中焦点分析将第一税务法规的感兴趣的点与第二税务法规的感兴趣的点进行同步，其中将来自所述焦点分析的结果发送给第一税务法规和第二税务法规的导出树，其中将来自所述导出树的信息与来自所述单元定义的其相应的定义进行匹配。

10.根据权利要求5所述的系统，其中所述创造性模块参考两个或更多个在先分配决策，其中所述分配决策中的每一个包括市场情境、投资方情境以及最终结果，其中将所述分配决策提供给智能选择器，其执行来自所述分配决策中的每一个的两个对象的比较和演绎并推送混合形式以用于输出，其中准则匹配模块参考从所述模式匹配模块提供的输入准则并从所述智能选择器中选取适于市场变量的混合形式。

11.根据权利要求10所述的系统，其中所述在先分配决策包括从在先分配决策数据库以及由所述分配器释放的新信息导出的财务分配决策的平均模型，其中所述智能选择器将它们融合到所述混合形式中，其中模式定义了正在其中使用所述创造性模块的算法类型，其中根据通过所述静态准则设定的比率来对大量的重叠信息进行过滤，所述静态准则包括排序优先级化、期望的数据比率以及用以引导融合的数据，其取决于选择了什么模式，其中取决于所述静态准则来对所述在先分配决策执行原始比较。

12.根据权利要求11所述的系统，其中当这两个数据集对定义该形式中的相同位置处的特征有所竞争时，进行优先级化过程以基于所述静态准则和所述模式来产生具有融合特性的形式。

13.根据权利要求5所述的系统，其中输入模块接收由所述模式匹配和所述分配决策产生的结果，其中理性处理模块比较接收到的输入的属性与导出规则，其中所述理性处理模块包括规则处理模块，其使用所述导出规则作为参考点来针对给定问题确定感知范围，其中批判性规则范围扩展器接收已知的感知范围并将它们升级成包括批判性思考感知范围，其中通过使用所述批判性思考感知范围来修正所述导出规则。

14.根据权利要求13所述的系统，其中记忆网络扫描针对可履行规则的记录，其中执行可适用且可履行的规则以产生推翻决策，其中规则执行模块执行已被确认为存在且被履行的规则以产生批判性思考决策，其中批判性决策输出模块通过比较由感知观察者模拟器以及所述规则执行模块达成的结论来产生最终逻辑。

15.根据权利要求14所述的系统，其中记录模块包括用于在没有输入的影响下进行批判性决策的原始信息，其中适用感知角度模块包括输入算法所适用且已被所述输入算法利用了的感知角度，其中自动化的感知发现机制利用所述创造性模块来增加所述感知范围。

16.根据权利要求15所述的系统，其中自我批判知识强度模块估计超出可报告记录的能力之外的潜在未知的知识的范围和类型，其中所述感知观察者模拟器产生观察者的模拟，并且利用观察者模拟的各变化来测试和/或比较所有潜在的感知点，其中用于所述感知观察者模拟器的输入包括所有的潜在感知点和增强的数据记录，并且用于所述感知观察者模拟器的输出包括从所述增强的数据记录并根据具有所选感知的混合体的最相关的观察者所产生的决策，其中使用从数据增强记录导出的CVF作为用于感知存储的搜索准则，其中隐含导出模块从已知的感知角度导出所隐含的数据感知角度，其中度量组合模块将各感知角度分离到各度量类别中，其中度量转换模块将各个度量逆变回完整的感知角度，其中度量扩张模块分门别类地将感知角度度量存储在各个数据库中。

17.根据权利要求16所述的系统，其中批判性规则范围扩展器利用已知的感知来扩张规则集的批判性思考范围，其中感知匹配模块从接收自规则语法导出的感知来形成CVF，其中记忆识别模块从输入数据形成混沌场，并执行场扫描以识别已知的概念，其中记忆概念索引模块单独地将全部概念优化到索引中，其中规则履行解析器接收具有识别标记的规则的各个部分，在逻辑上演绎在所述混沌场中识别了哪些规则值得规则执行，其中规则语法格式分离模块按照类型分离并组织正确规则，其中规则语法导出模块将逻辑规则转换成基于度量的感知，其中规则语法生成模块接收已确认的感知并从事于感知的内部度量组成。

18.根据权利要求13所述的系统，其中最终逻辑模块逻辑接收来自直观决策和思考决策的智能信息，其中直接决策比较模块将来自所述直观决策和所述思考决策的这两个决策进行比较以检查证实，其中所述直观决策经由利用感知而参与到批判性思考中，其中所述思考决策经由利用规则而参与到批判性思考中，其中批判性规则范围扩展器通过利用先前未考虑的感知角度来扩展规则集的理解范围，其中混沌场解析模块将记录的各格式组合成称作混沌场的单个可扫描单元，其中从记忆识别模块中产生额外的规则以补充已经建立的正确规则。

19.根据权利要求18所述的系统，其中在感知匹配模块中，关于度量统计资料，从感知存储中提供统计信息，其中所述统计资料定义了度量的流行趋势、内部度量关系和度量增长率，其中错误管理模块解析源于各个度量中的任何的语法和/或逻辑错误，其中节点比较模块接收两个或更多个CVF的节点组成，其中所述CVF的每个节点表示性质的重要程度，其中基于各个节点执行相似度比较，并计算合计方差，其中原始感知直观思考模块根据模拟格式来处理所述感知，其中原始规则逻辑思考模块根据数字格式来处理规则，其中以一不具有阶梯的平滑曲线上的梯度来存储涉及到所述财务分配决策的模拟格式感知，其中以不具有灰色区域的阶梯来存储涉及到所述财务分配决策的数字格式原始规则。

20.一种在系统中执行永久赠与的方法，所述系统具有存储已编程指令的存储器、被耦合到所述存储器并执行所述已编程指令的处理器以及至少一个数据库，其中所述方法包括以下步骤：

a)由一个或多个捐赠方实体向一个或多个捐助基金实体投资；

b)由所述捐助基金实体将盈利回报给所述捐赠方实体，其中在由所述捐赠方实体缴纳的税款与由所述捐赠方实体对所述捐助基金实体的投资之间适用税务冲销；

c)由所述捐助基金实体向一个或多个商业实体投资；以及

d)由所述商业实体将盈利回报给所述捐助基金实体；

其中投资分配器向控制委员会做出投资建议，其中所述控制委员会向所述投资分配器提供投资偏好，其中盈利分配器做出关于针对所述商业实体的再投资基金以及针对所述控制委员会的委托基金的建议，其中所述分配器中的每一个包括创造性模块和CTMP模块。