謝勤1

文獻(xiàn)[1-9]提出了血液循環(huán)在大腦處理信息的過(guò)程中具有時(shí)序控制作用，并用量化模型結(jié)合結(jié)構(gòu)風(fēng)險(xiǎn)最小化相關(guān)理論說(shuō)明時(shí)序控制作用的意義。文獻(xiàn)[10-24]匯總介紹量化模型中的一些細(xì)節(jié)。為方便同行閱讀，我們?cè)?013年也發(fā)表了系列綜合報(bào)告[25-29]。文獻(xiàn)[31-32]介紹我們開(kāi)發(fā)的一個(gè)算法，這一算法實(shí)現(xiàn)將一個(gè)有向網(wǎng)絡(luò)分解為一系列前向網(wǎng)絡(luò)集合。分解出來(lái)的前向網(wǎng)絡(luò)集合可用于分析各種情況對(duì)任一細(xì)胞活動(dòng)情況的影響，也可用于搭建精細(xì)的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而用于輔助醫(yī)學(xué)等方面的研究。算法的網(wǎng)絡(luò)分解能力能符合文獻(xiàn)[1-28]所介紹的大腦處理信息量化方案的要求。算法的設(shè)計(jì)用到了筆者在2004年論文[30]中總結(jié)的一種算法設(shè)計(jì)思路，采用這一思路設(shè)計(jì)的算法有好的可擴(kuò)展性，文獻(xiàn)[33]將文獻(xiàn)[31-32]介紹的算法升級(jí)為DG-FFN SR Trees算法，本文介紹了怎樣將文獻(xiàn)[33]介紹的DG-FFN SR Trees算法升級(jí)擴(kuò)展為DG-FFN SR Trees-EI 算法，升級(jí)成的DG-FFN SR Trees-EI 算法可用于多種用途。

【關(guān)鍵詞】過(guò)程存儲(chǔ)和重組模型 大腦量化模型 中樞神經(jīng)系統(tǒng) 前向網(wǎng)絡(luò)樣本重組樹(shù) 攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹(shù)

分類號(hào)：Q426

1 前言

1.1 從信息處理系統(tǒng)的角度研究腦運(yùn)作機(jī)制[29，31-32]

腦具備信息處理系統(tǒng)的功能，研究大腦時(shí)，可以把腦看成“一種特別的信息處理系統(tǒng)”。目前神經(jīng)生物學(xué)一個(gè)受關(guān)注的研究方向是大腦的整體運(yùn)作機(jī)制是怎樣的，也就是腦中分子層面的活動(dòng)如何影響、決定細(xì)胞層面的活動(dòng)；細(xì)胞層面的活動(dòng)如何影響、決定微環(huán)路和環(huán)路層面的活動(dòng)并最終影響、決定系統(tǒng)層面的活動(dòng)和功能。當(dāng)把大腦運(yùn)作機(jī)制看成“一種特別的信息處理系統(tǒng)的運(yùn)作機(jī)制”時(shí)，這個(gè)研究方向涉及信息系統(tǒng)研究中的“系統(tǒng)結(jié)構(gòu)”、“系統(tǒng)組成原理”、等方面的問(wèn)題。如果把腦這一信息處理系統(tǒng)的“系統(tǒng)架構(gòu)”、“系統(tǒng)組成原理”、等看成一套未知的待探索的機(jī)制，已積累的“分子層面、細(xì)胞層面、微環(huán)路和環(huán)路層面、系統(tǒng)層面的各種知識(shí)和實(shí)踐經(jīng)驗(yàn)”可以看成“自然和人們無(wú)意中編排設(shè)計(jì)的、探索腦信息處理運(yùn)作機(jī)制的實(shí)驗(yàn)獲得的數(shù)據(jù)和結(jié)果”，因此，綜合整理分析已有的各層面的知識(shí)，建立有堅(jiān)實(shí)解剖學(xué)基礎(chǔ)、能聯(lián)系各層面、量化描述腦信息處理過(guò)程的模型和框架，發(fā)現(xiàn)、掌握系統(tǒng)運(yùn)作所遵循的基本規(guī)律和原理，會(huì)對(duì)更深刻理解大腦信息處理運(yùn)作機(jī)制有所幫助；將有利于對(duì)各種神經(jīng)系統(tǒng)疾病發(fā)病機(jī)制的理解、治療方案的制定；也將有助于我們更深刻地理解，理性、客觀地對(duì)待我們已知的各種知識(shí)和所建立的各種理論。

綜合整理分析、建立量化描述模型、探索系統(tǒng)運(yùn)作所遵循的基本規(guī)律和原理是一項(xiàng)繁雜艱巨的工作，筆者在多年前就已經(jīng)開(kāi)始了這項(xiàng)工作，并發(fā)表了一系列論文。我們于2007年3月正式發(fā)表論文[1]提出血液循環(huán)（包括微循環(huán)）機(jī)制在大腦運(yùn)作過(guò)程起到時(shí)序控制的作用，在研究腦運(yùn)作機(jī)制的時(shí)候，要考慮血液周期性灌注的影響；分析了各種腦電現(xiàn)象形成的機(jī)制和原因；等。我們筆者在上述論文和一系列發(fā)表于網(wǎng)站、全國(guó)學(xué)術(shù)會(huì)議、期刊等的論文[1-20]（這些論文發(fā)表于2006年至2012年）中，提出了血液循環(huán)在腦處理信息的過(guò)程中具有時(shí)序控制作用；分析了各種腦電現(xiàn)象形成的機(jī)制和原因；建立描述腦處理信息過(guò)程的量化模型，用量化模型結(jié)合結(jié)構(gòu)風(fēng)險(xiǎn)最小化相關(guān)理論分析說(shuō)明時(shí)序控制作用對(duì)大腦高效可靠處理信息的意義；匯總介紹量化模型中的細(xì)節(jié)；分析了大腦能正確而高效處理信息，使智力能夠誕生的原因；分析了理論建立和應(yīng)用過(guò)程的神經(jīng)生理學(xué)原理、只能有相對(duì)真理的神經(jīng)生理學(xué)原因；還建立和介紹了另外一種量化分析方案；等。我們還介紹了更多的細(xì)節(jié)[21-24]。為方便同行閱讀，我們?cè)?013年也整理發(fā)表了系列綜合報(bào)告[25-28]。

以上文字已發(fā)表在文獻(xiàn)[29]中。

1.2 腦研究輔助工具的研發(fā)

腦研究領(lǐng)域的另外一個(gè)研究方向是研發(fā)更多用于研究大腦的輔助工具。文獻(xiàn)[31-32]介紹了我們?cè)O(shè)計(jì)的一種網(wǎng)絡(luò)分解算法，這一算法用于將有向網(wǎng)絡(luò)分解為一系列前向網(wǎng)絡(luò)集合，為每個(gè)節(jié)點(diǎn)都生成一個(gè)以這個(gè)節(jié)點(diǎn)為輸出細(xì)胞的前向網(wǎng)絡(luò)，并且實(shí)現(xiàn)前向網(wǎng)絡(luò)的擴(kuò)維次數(shù)可控、不會(huì)無(wú)限制擴(kuò)維，觀察時(shí)間長(zhǎng)度可控。分解出來(lái)的前向網(wǎng)絡(luò)集合可用于分析各種情況對(duì)任一細(xì)胞活動(dòng)狀態(tài)的影響，也可以用于搭建精細(xì)的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而用于輔助醫(yī)學(xué)等方面的研究。

文獻(xiàn)[31-32]介紹的算法設(shè)計(jì)過(guò)程中用到了筆者在2004年論文中總結(jié)的一種算法分析設(shè)計(jì)思路：面對(duì)一些需求復(fù)雜的算法設(shè)計(jì)時(shí)，從“遞歸空間的分類”這一個(gè)角度入手，進(jìn)而分析各遞歸空間間的參數(shù)傳遞關(guān)系，從而設(shè)計(jì)出符合需求的算法流程及其“搭配策略”[30]。采用這一設(shè)計(jì)思路設(shè)計(jì)的算法具有好的可擴(kuò)展性，文獻(xiàn)[33]將文獻(xiàn)[31-32]介紹的算法進(jìn)行升級(jí)為前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法，實(shí)現(xiàn)樣本排列圖構(gòu)造信息的生成。本文介紹怎樣將文獻(xiàn)[33]介紹的前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法（DG-FFN SR Trees 算法）升級(jí)為攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法（DG-FFN SR Trees-EI 算法），升級(jí)成的DG-FFN SR Trees-EI 算法可用于多種用途。

1.3 一些需要注意的事項(xiàng)

在上面文字和所提及參考文獻(xiàn)中，“大腦”和“腦”兩詞在很多情況下都對(duì)應(yīng)英文中的brain，就是指腦，這一點(diǎn)需要注意。

1.4 意義

各類理論、知識(shí)、語(yǔ)言、等的本質(zhì)和應(yīng)用等已可由統(tǒng)一的大腦信息處理量化模型描述[1-28]。例如：無(wú)限細(xì)分概念的相關(guān)神經(jīng)機(jī)制可用我們的大腦處理信息量化模型描述；標(biāo)準(zhǔn)模型理論認(rèn)為，物質(zhì)是由“構(gòu)成物質(zhì)的基本粒子”構(gòu)成，并通過(guò)交換“傳遞力的基本粒子”而結(jié)合在一起，這一理論也遵循著我們提出的理論建立和應(yīng)用的神經(jīng)生理學(xué)原理，也是一個(gè)相對(duì)真理，相關(guān)神經(jīng)機(jī)制可用我們的大腦處理信息量化模型分析清楚；等等。

本文設(shè)計(jì)的算法，可用于更精細(xì)分析腦整體運(yùn)作；可用于更精細(xì)、以更多種方式干預(yù)大腦整體運(yùn)作；等等用途，具有積極意義，值得進(jìn)一步研究。

2 算法需求分析總結(jié)

需求描述：要建立描述更豐富信息的腦量化分析模型，需要設(shè)計(jì)合理的數(shù)據(jù)結(jié)構(gòu)和函數(shù)，用于描述腦細(xì)胞所處環(huán)境和分析環(huán)境對(duì)腦細(xì)胞活動(dòng)的影響，例如對(duì)波動(dòng)閾值的影響。

需求分析：要實(shí)現(xiàn)上述需求，DG-FFN SR Trees 算法升級(jí)后的DG-FFN SR Trees-EI算法相應(yīng)的數(shù)據(jù)結(jié)構(gòu)中，要有相應(yīng)的成員用于描述腦細(xì)胞所處的環(huán)境的信息（如位置，各種化學(xué)物質(zhì)濃度情況等），或者指向描述腦細(xì)胞所處環(huán)境信息（如位置，各種化學(xué)物質(zhì)濃度情況等）的數(shù)據(jù)結(jié)構(gòu)。

3 算法重要數(shù)據(jù)結(jié)構(gòu)升級(jí)設(shè)計(jì)

3.1 一些說(shuō)明

在本文中，一些已在文獻(xiàn)[31-33]介紹過(guò)的重要數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)本文不再重復(fù)一一介紹。下面將以圖和偽代碼相結(jié)合的方式介紹以前一些未詳細(xì)列出介紹的，有升級(jí)點(diǎn)的重要數(shù)據(jù)結(jié)構(gòu)。

3.2 有向圖類

有向圖類，Directed Graph， 簡(jiǎn)稱DG，算法升級(jí)過(guò)程中，有向圖類將增加必

要的成員和函數(shù)。

3.2.1 圖節(jié)點(diǎn)類重要成員和增加成員介紹

Class GraphNode{

//…

FFNSRTreeNode* GeneratedNodeLink； /* 圖節(jié)點(diǎn)類中增加一個(gè)鏈表成員GeneratedNodeLink，該成員是前向網(wǎng)絡(luò)樹(shù)生成過(guò)程中，對(duì)應(yīng)本圖節(jié)點(diǎn)的所有樹(shù)節(jié)點(diǎn)的鏈表 */

Int GeneratedNodeNum； /* 在生成某一棵EI-FFN SR Tree的過(guò)程中，GeneratedNodeLink鏈表中所鏈接的 EI-FFNSRTreeNode 個(gè)數(shù) */

EnviromentInformation* Env-of-Node； /*指針，指向描述細(xì)胞所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)*/

Time* BeginTime； /* 和EndTime配合標(biāo)記本圖節(jié)點(diǎn)描述的神經(jīng)細(xì)胞及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

Time* EndTime； /* 和BeginTime配合標(biāo)記本圖節(jié)點(diǎn)描述的神經(jīng)細(xì)胞及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

//…

}

3.2.2 圖邊類增加成員介紹

Class GraphEdge{

//…

EnviromentInformation* Env-of-Edge； /*指針，指向描述傳輸通路所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)*/

Time* BeginTime； /* 和EndTime配合標(biāo)記本圖邊描述的傳輸通路及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

Time* EndTime； /* 和BeginTime配合標(biāo)記本圖邊描述的傳輸通道及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

//…

}

3.3 前向網(wǎng)絡(luò)樣本重組樹(shù)

前向網(wǎng)絡(luò)樣本重組樹(shù)，F(xiàn)eedForward Network Sample Recombination Tree ， 簡(jiǎn)稱FFN SR Tree。FFN SR Tree是一種復(fù)合數(shù)據(jù)結(jié)構(gòu)，由樹(shù)結(jié)構(gòu)，隊(duì)列結(jié)構(gòu)，鏈表結(jié)構(gòu)復(fù)合而成。FFN SR Tree結(jié)構(gòu)也可以看作由三部分組成，由FFN Tree 子結(jié)構(gòu)，隊(duì)列子結(jié)構(gòu)、鏈表子結(jié)構(gòu)三部分復(fù)合組成。

Class FFNSRTree{

//…

FFNSRTreeNode* RootNode； /*指向樹(shù)型子結(jié)構(gòu)的根節(jié)點(diǎn)*/

FFNSRTreeQueue* FFNSRTreeQueueInstance； /*指向隊(duì)列子結(jié)構(gòu)*/

//…

}

（1）前向網(wǎng)絡(luò)樣本重組樹(shù) FFN SR Tree的總體結(jié)構(gòu)如圖1所示。

（2）樹(shù)節(jié)點(diǎn)類重要成員和增加成員介紹：

Class FFNSRTreeNode{

//…

FFNSRTreeNode* NextNodeOnGeneratedLink； /*下一個(gè)和本樹(shù)節(jié)點(diǎn)由同一個(gè)圖節(jié)點(diǎn)產(chǎn)生的樹(shù)節(jié)點(diǎn)*/

Long Double LatencyTime； /*信息從本細(xì)胞到輸出細(xì)胞，包括信號(hào)轉(zhuǎn)換、本細(xì)胞和沿途細(xì)胞處理信息時(shí)間的總傳輸延遲*/

EnviromentInformation* Env-of-TreeNode； /*指針，指向描述細(xì)胞所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)*/

Time* BeginTime； /* 和EndTime配合標(biāo)記本FFN SR Tree節(jié)點(diǎn)描述的神經(jīng)細(xì)胞及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

Time* EndTime； /* 和BeginTime配合標(biāo)記本 FFN SR Tree節(jié)點(diǎn)描述的神經(jīng)細(xì)胞及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

//…

}

（3）樹(shù)邊類重要成員和增加成員介紹：

Class FFNSRTreeEdge{

//…

Signal * InputSignals； /*輸入信息隊(duì)列*/

Signal* OutputSignals； /*輸出信息隊(duì)列*/

Void Transmitter（）； /*將輸入的已經(jīng)完成傳輸時(shí)間延遲的信息從InputSignals信息隊(duì)列取出，放到OutputSignals信息隊(duì)列， 描述”輸入信息輸入傳輸路徑輸入端后，經(jīng)過(guò)一定時(shí)間的延遲，到達(dá)傳輸路徑輸出端”這一過(guò)程*/

Long Double TransmitTime； /*邊時(shí)間權(quán)值，定義為信息從本樹(shù)邊輸入端傳輸?shù)捷敵龆?，包括信?hào)轉(zhuǎn)換、輸入端神經(jīng)細(xì)胞處理信息所需時(shí)間*/

Long Double LatencyTime； /*信息從輸入端到輸出細(xì)胞，包括信號(hào)轉(zhuǎn)換、輸入端細(xì)胞和沿途細(xì)胞處理信息時(shí)間的總傳輸延遲*/

Long Double LinkPower； /*邊連接權(quán)值*/

EnviromentInformation* Env-of-TreeEdge； /*指針，指向描述傳輸通路所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)*/

Time* BeginTime； /* 和EndTime配合標(biāo)記本FFN SR Tree邊描述的傳輸通路及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

Time* EndTime； /* 和BeginTime配合標(biāo)記本 FFN SR Tree邊描述的傳輸通路及其所處環(huán)境是處于哪個(gè)時(shí)間區(qū)間的 */

//…

}

（4）樹(shù)隊(duì)列類重要成員介紹：

Class FFNSRTreeQueue{

//…

FFNSRTreeQueueNode* FisrtQueueNode； /*隊(duì)列中第一個(gè)隊(duì)列節(jié)點(diǎn)*/

Long QueueNodeNum； /*隊(duì)列中的隊(duì)列節(jié)點(diǎn)總數(shù)*/

//…

}

（5）樹(shù)隊(duì)列節(jié)點(diǎn)類重要成員介紹：

Class FFNSRTreeQueueNode{

//…

String Lable； /*節(jié)點(diǎn)標(biāo)識(shí)，記錄本隊(duì)列節(jié)點(diǎn)對(duì)應(yīng)哪個(gè)圖節(jié)點(diǎn)*/

Long SeqInfo； /*排序信息，記錄在排好序隊(duì)列中本節(jié)點(diǎn)的序號(hào)*/

GraphNode* OriginGraphNode； /*圖節(jié)點(diǎn)指針，指向本隊(duì)列節(jié)點(diǎn)對(duì)應(yīng)的圖節(jié)點(diǎn)*/

Long Double MaxLatencyTime； /*記錄隊(duì)列中到輸出細(xì)胞時(shí)間延遲最大路徑的時(shí)間延遲值*/

FFNSRTreeNode* GeneratedNodeLink； /* 鏈表成員GeneratedNodeLink，該成員是前向網(wǎng)絡(luò)樹(shù)生成過(guò)程中，由和本隊(duì)列節(jié)點(diǎn)對(duì)應(yīng)圖節(jié)點(diǎn)產(chǎn)生的所有樹(shù)節(jié)點(diǎn)的鏈表 */

//…

}

3.4 十字鏈表結(jié)構(gòu)

十字鏈表結(jié)構(gòu)，用于實(shí)現(xiàn)表現(xiàn)樣本排列圖的樣本排列矩陣

Class CrossLinkNode{ String Lable； /*節(jié)點(diǎn)標(biāo)識(shí)，標(biāo)記對(duì)應(yīng)哪個(gè)圖節(jié)點(diǎn)*/

String TimeArea； /*標(biāo)記對(duì)應(yīng)哪個(gè)時(shí)間區(qū)域，即哪個(gè)樣本*/

CrossLinkNode* RightNode； /*指向右方節(jié)點(diǎn)*/

CrossLinkNode* DownNode；/*指向下方節(jié)點(diǎn)*/

State StateOfThisCell ；/*記錄細(xì)胞具體興奮情況的數(shù)據(jù)結(jié)構(gòu)*/

CalibrationTime CalibrationTimeValue； /*記錄符合精確程度要求的延遲校準(zhǔn)時(shí)間值的數(shù)據(jù)結(jié)構(gòu)，在算法啟用延遲時(shí)間校準(zhǔn)模式的時(shí)候，會(huì)用到這一成員。在啟用延遲時(shí)間校準(zhǔn)模式的時(shí)候，初始化十字鏈表時(shí)，每個(gè)FFN SR Tree節(jié)點(diǎn)對(duì)應(yīng)一個(gè)十字鏈表行頭節(jié)點(diǎn)*/

FFNSRTreeNode* RelatedFFNSRTreeNode；/* 在啟用延遲時(shí)間校準(zhǔn)模式的時(shí)候，初始化十字鏈表時(shí)，每個(gè)FFN SR Tree節(jié)點(diǎn)對(duì)應(yīng)一個(gè)十字鏈表行頭節(jié)點(diǎn)，這個(gè)成員標(biāo)記一個(gè)行頭節(jié)點(diǎn)對(duì)應(yīng)哪個(gè)FFN SR Tree節(jié)點(diǎn)*/

//…

}/*在本算法中，規(guī)定每個(gè)十字鏈表節(jié)點(diǎn)對(duì)應(yīng)一個(gè)細(xì)胞在一個(gè)樣本時(shí)間段內(nèi)的興奮狀況*/

Class CrossLink{

//…

CrossLinkNode*[] RowHead； /*行頭節(jié)點(diǎn)指針數(shù)組，指向各行第一個(gè)節(jié)點(diǎn)*/

CrossLinkNode*[] ColHead； / *列頭節(jié)點(diǎn)指針數(shù)組，指向各列第一個(gè)節(jié)點(diǎn)*/

Long RowNum；/*總行數(shù)*/

Long ColNum；/*總列數(shù)*/

Bool CalibrationTimeMode； /*是否開(kāi)啟延遲時(shí)間校準(zhǔn)模式*/

//…

}

3.5 描述環(huán)境的數(shù)據(jù)結(jié)構(gòu)EnviromentInformation

Class EnviromentInformation{

//…

Region* region； /* 本環(huán)境數(shù)據(jù)是描述哪個(gè)空間范圍的，包括位置，范圍，形狀，大小等信息 */

Time* BeginTime； /* 和 EndTime 成員配合標(biāo)記描述的是相應(yīng)空間哪個(gè)時(shí)間范圍內(nèi)的環(huán)境情況 */

Time* EndTime； /* 和 BeginTime 成員配合標(biāo)記描述的是相應(yīng)空間哪個(gè)時(shí)間范圍內(nèi)的環(huán)境情況 */

//…

}

4 DG-FFN SR Trees 算法升級(jí)為 DG-FFN SR Trees-EI 算法的思路

算法的升級(jí)思路主要有如下幾點(diǎn)：

（1）在生成 FFN SR Tree過(guò)程中，在生成樹(shù)節(jié)點(diǎn)的時(shí)候，為FFNSRTreeNode 數(shù)據(jù)結(jié)構(gòu)中Env-of-TreeNode，BeginTime，EndTime賦上相應(yīng)的值。

（2）在生成FFN SR Tree過(guò)程中，在生成樹(shù)邊的時(shí)候，為FFNSRTreeEdge

數(shù)據(jù)機(jī)構(gòu)中Env-of-TreeEdge，BeginTime，EndTime賦上相應(yīng)的值。

（3）在攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹(shù)生成過(guò)程中，一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)在一棵樹(shù)中可能對(duì)應(yīng)一系列節(jié)點(diǎn)，按實(shí)際科研需要，在有必要的時(shí)候，可以采用如下方法優(yōu)化系統(tǒng)性能：用一個(gè)EnviromentInformation類型的數(shù)據(jù)真正存儲(chǔ)描述一個(gè)物理空間中比較大時(shí)間范圍內(nèi)環(huán)境的信息，然后相關(guān)網(wǎng)絡(luò)節(jié)點(diǎn)、樹(shù)節(jié)點(diǎn)設(shè)置相應(yīng)的指針指向這份數(shù)據(jù)，設(shè)置相應(yīng)的BeginTime，EndTime標(biāo)記某一特定的網(wǎng)絡(luò)節(jié)點(diǎn)、某一特定的樹(shù)節(jié)點(diǎn)是處于那個(gè)時(shí)間范圍內(nèi)的；對(duì)網(wǎng)絡(luò)邊、樹(shù)邊所處環(huán)境的描述也可以采取類似方法。

5 算法的流程設(shè)計(jì)

除了4中涉及的升級(jí)點(diǎn)外，DG-FFN SR Trees-EI算法流程和DG-FFN SR Trees算法類似，這里不再重復(fù)描述，具體參考文獻(xiàn)[33]。

6 算法的應(yīng)用

在生成FFN SR Tree和用于表現(xiàn)樣本排列矩陣的有向十字鏈表后，就能生成和推演出動(dòng)態(tài)的樣本排列圖，算法產(chǎn)生的樣本排列圖（數(shù)據(jù)上表現(xiàn)為FFN SR Tree，樣本排列矩陣等）有多種用途：

6.1 應(yīng)用于網(wǎng)絡(luò)運(yùn)作的精確分析

由于攜帶有豐富的描述細(xì)胞、傳遞通路、等所處環(huán)境的信息，算法可按實(shí)際研究需要分別在開(kāi)啟和關(guān)閉延遲時(shí)間校準(zhǔn)兩種工作模式（參考文獻(xiàn)[33]）下，用于更精細(xì)的大腦整體運(yùn)作分析。

6.2 應(yīng)用于網(wǎng)絡(luò)運(yùn)作的精確干預(yù)

由于攜帶有豐富的描述細(xì)胞、傳遞通路、等所處環(huán)境的信息，算法可按實(shí)際

研究需要分別在開(kāi)啟和關(guān)閉延遲時(shí)間校準(zhǔn)兩種工作模式（參考文獻(xiàn)[33]）下，用于更精細(xì)、通過(guò)更多種方法干預(yù)大腦整體運(yùn)作。

6.3 應(yīng)用于其他各種用途

7 可進(jìn)一步改進(jìn)的工作

可改進(jìn)的工作有如下幾點(diǎn)：

（1）需要注意的一點(diǎn)是，本文介紹的是文獻(xiàn)[1-29]涉及的量化模型的計(jì)算機(jī)模型，計(jì)算機(jī)模型是“量化模型的模型”，在描述自然事物和規(guī)律的精確度上是有一定損失的，例如在本文介紹的計(jì)算機(jī)模型中，樹(shù)邊類的成員中，邊時(shí)間權(quán)值TransmitTime，總傳輸延遲LatencyTime，邊連接權(quán)值LinkPower等成員定義為L(zhǎng)ong Double類型的變量，有表數(shù)精度、表數(shù)范圍等方面的局限性；在有需要進(jìn)行更精細(xì)研究的時(shí)候，可按實(shí)際研究需要，采用將相關(guān)成員定義為符合研究精細(xì)程度要求的數(shù)據(jù)結(jié)構(gòu)類型等方式改進(jìn)技術(shù)，建立符合研究需要的計(jì)算機(jī)模型。[33]

（2）在程序設(shè)計(jì)中，需求滿足的優(yōu)先級(jí)順序?yàn)椤罢_性、穩(wěn)定性、可測(cè)性、規(guī)范性和可讀性、全局效率、局部效率、個(gè)人風(fēng)格 ”，上面算法采用了遞歸程序的框架設(shè)計(jì)，先滿足了優(yōu)先級(jí)高的需求，后續(xù)可以通過(guò)遞歸程序的非遞歸化優(yōu)化效率。[31] [32]

（3）在計(jì)算量大的情況下，通過(guò)適當(dāng)改造，上述算法對(duì)應(yīng)的計(jì)算任務(wù)可以分拆成多個(gè)子計(jì)算任務(wù)，然后分布到多個(gè)系統(tǒng)中計(jì)算。[31] [32]

（4）為程序調(diào)試方便，個(gè)別數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)存在信息冗余，可進(jìn)一步進(jìn)行程序的代碼級(jí)優(yōu)化。[31] [32]

參考文獻(xiàn)

[1]謝勤，王乙容.大腦處理信息的過(guò)程存儲(chǔ)和重組模型[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2007，（3）：432-435，439.（Xie Qin， Wang Yi-rong. Storing and Re-engineering of Models of Cerebral Information Process[J]. Progress of Modern Biomedicine，2007，（3）：432-435，439.）

[2]謝勤.血液循環(huán)在大腦信息處理過(guò)程中的時(shí)序控制作用[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2008，（6）：1152-1159.（Xie Qin. Timer Role of Blood Circulation When Brain Processing Information[J].Progress of Modern Biomedicine， 2008，（6）：1152-1159.）

[3]謝勤.過(guò)程存儲(chǔ)與重組模型[Z].www.sciam.com.cn，2006.（Xie Qin. Model of Process Storing and Recalling[Z].www.sciam.com.cn，2006.）

[4]謝勤.一種關(guān)于腦電波起源和含義的觀點(diǎn)[C].中國(guó)神經(jīng)科學(xué)學(xué)會(huì)第七次全國(guó)學(xué)術(shù)會(huì)議論文集.北京：科學(xué)出版社，2007：144. （Xie Qin. A Viewpoint about origin and meaning of EEGs[C].Proceedings of the 7th Biennial Meeting and the 5th Congress of the Chinese Society for Neuroscience. Beijing：Science Press，2007：144.）

[5]謝勤.血液循環(huán)在大腦信息處理過(guò)程中的時(shí)序控制作用整理[C].中國(guó)神經(jīng)科學(xué)學(xué)會(huì)第八次全國(guó)學(xué)術(shù)會(huì)議論文集.北京：科學(xué)出版社，2009：135.（Xie Qin. A Review of Timer Role of Blood Circulation when Brain Processing Information[C].Proceedings of the 8th Biennial Meeting of the Chinese Society for Neuroscience.Beijing： Science Press.2009：135.）

[6]謝勤.血液循環(huán)在大腦信息處理過(guò)程中的時(shí)序控制作用整理[J].中外健康文摘，2011，8（20）：93-98.（Xie Qin.A Review of Timer Role of Blood Circulation when Brain Processing Information [J].World Health Digest， 2011，8（20）：93-98.）

[7]謝勤.大腦處理信息的樣本量和網(wǎng)絡(luò)規(guī)模問(wèn)題[J].中外健康文摘，2011，8（21）：88-91.（Xie Qin.Matching Problem of Sample Quantity and Network Scale when Brain Processing Information [J].World Health Digest，2011，8（21）： 88-91.）

[8]謝勤.大腦處理信息量化模型中的另一種樣本重組方案[J].中外健康文摘，2011，8（22）：209-210.（Xie Qin.Another Sample Recombination Solution for Quantitative Model of Brain Information Processing[J].World Health Digest，2011，8（22）：209-210.）

[9]謝勤.大腦處理信息的樣本量和網(wǎng)絡(luò)規(guī)模問(wèn)題[C].中國(guó)神經(jīng)科學(xué)學(xué)會(huì)第九次全國(guó)學(xué)術(shù)會(huì)議論文集.北京：科學(xué)出版社， 2011：366.（Xie Qin. Matching Problem of Sample Quantity and Network Scale when Brain Processing Information [C].Proceedings of the 9th Biennial Meeting of the Chinese Society for Neuroscience.Beijing：SciencePress. 2011：366.）

[10]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編[J].中外健康文摘，2011，8（48）：78-80.（Xie Qin.Details of Quantitative Model of Brain Information Processing [J].World Health Digest，2011，8（48）：78-80.）

[11]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編二[J].中外健康文摘，2012，9（4）：101-102.（Xie Qin.Details of Quantitative Model of Brain Information Processing II [J].World Health Digest，2012，9（4）：101-102.）

[12]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編三[J].中外健康文摘，2012，9（16）：61-62.（Xie Qin.Details of Quantitative Model of Brain Information Processing III [J].World Health Digest，2012，9（16）：61-62.）

[13]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編四[J].中外健康文摘，2012，9（23）：193-194.（Xie Qin. Details of Quantitative Model of Brain Information Processing IV[J].World Health Digest，2012，9（23）：193-194.）

[14]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編五[J].中外健康文摘，2012，9（20）：56-57.（Xie Qin.Details of Quantitative Model of Brain Information Processing V[J].World Health Digest，2012， 9（20）：56-57.）

[15]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編六[J].中外健康文摘，2012，9（29）：238-239.（Xie Qin. Details of Quantitative Model of Brain Information Processing VI[J].World Health Digest，2012，9（29）：238-239.）

[16]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編七[J].中外健康文摘，2012，9（33）：45-46.（Xie Qin. Details of Quantitative Model of Brain Information Processing VII [J].World Health Digest，2012， 9（33）：45-46.）

[17]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編八[J].中外健康文摘，2012，9（39）：393-395.（Xie Qin. Details of Quantitative Model of Brain Information Processing VIII[J].World Health Digest， 2012，9（39）：393-395.）

[18]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編九[J].中外健康文摘，2012，9（39）：402-403.（Xie Qin. Details of Quantitative Model of Brain Information Processing IX [J].World Health Digest，2012，9（39）：402-403.）

[19]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十[J].中外健康文摘，2012，9（39）：407-408.（Xie Qin. Details of Quantitative Model of Brain Information Processing X [J].World Health Digest，2012，9（39）：407-408.）

[20]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十一[J].中外健康文摘，2012，9（50）：112-113.（Xie Qin.Details of Quantitative Model of Brain Information Processing XI [J].World Health Digest，2012，9（50）：112-113.）

[21]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十二[J].大家健康（下旬刊），2014，1：18.（Xie Qin.Details of Quantitative Model of Brain Information Processing XII[J].For All Health， 2014，1：18.）

[22]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十三[J].大家健康（中旬刊），2014，1：22-23.（Xie Qin.Details of Quantitative Model of Brain Information Processing XIII[J].For All Health，2014，1：22-23.）

[23]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十四[J].大家健康（中旬刊），2014，2：12.（Xie Qin. Details of Quantitative Model of Brain Information Processing XIV[J].For All Health，2014，2：12.）

[24]謝勤.大腦處理信息量化模型中的細(xì)節(jié)匯編十五[J].大家健康（下旬刊），2014，3：10.（Xie Qin. Details of Quantitative Model of Brain Information Processing XV[J].For All Health，2014，3：10.）

[25]謝勤.大腦處理信息量化模型和細(xì)節(jié)綜合報(bào)告[J].大家健康（下旬版），2013，7（11）：6-9.（Xie Qin.Comprehensive Report Of A Quantitative Model Of Brain Information Processing And Its Details[J].For All Health，2013，7（11）：6-9.）

[26]謝勤.基于量化模型的對(duì)大腦高效可靠處理信息實(shí)現(xiàn)機(jī)制的分析[J].大家健康（下旬版），2013，7（11）：11-13.（Xie Qin. Comprehensive Report Of A Quantitative Model Of Brain Information Processing And Its Details II[J].For All Health，2013， 7（11）：11-13.）

[27]謝勤.基于大腦處理信息量化模型的對(duì)若干認(rèn)知問(wèn)題的分析[J].大家健康（下旬版），2013，7（11）：14-15.（Xie Qin. Comprehensive Report Of A Quantitative Model Of Brain Information Processing And Its Details III[J].For All Health，2013， 7（11）：14-15.）

[28]謝勤.大腦處理信息量化模型和細(xì)節(jié)綜合報(bào)告[C].中國(guó)神經(jīng)科學(xué)學(xué)會(huì)第十次全國(guó)學(xué)術(shù)會(huì)議論文集.北京：科學(xué)出版社，2013.（Xie Qin. Comprehensive Report Of A Quantitative Model Of Brain Information Processing And Its Details [C].Proceedings of the 10th Biennial Meeting of the Chinese Society for Neuroscience. Beijing： Science Press.2013.）

[29]謝勤.從信息處理系統(tǒng)的角度研究腦運(yùn)作機(jī)制[Z].[2013-10-21].http：//blog.sciencenet.cn/blog-746780-734679.html.（Xie Qin. Framework of Brain Information Processing[Z].[2013-10-21]. http：//blog.sciencenet.cn/blog-746780-734679.html.）

[30]謝勤.WAP算法連續(xù)化及其應(yīng)用[C].畢業(yè)論文，2004.

[31]謝勤.一種可用于腦神經(jīng)網(wǎng)絡(luò)分析的有向網(wǎng)絡(luò)分解算法[J].數(shù)字化用戶，2014，3：113-116.（Xie Qin. An Arithmetic For Neural Network Analysis： From Directed Graph To FFN Trees [J].Digitization user，2014， 3：113-116.）

[32]謝勤.一種可用于腦神經(jīng)網(wǎng)絡(luò)分析的有向網(wǎng)絡(luò)分解算法[C].第八屆海內(nèi)外華人神經(jīng)科學(xué)家研討會(huì)論文集.北京：科學(xué)出版社，2014.（Xie Qin. An Arithmetic For Neural Network Analysis： From Directed Graph To FFN Trees [C]. Proceedings of Symposium for Chinese Neuroscientists Worldwide 2014. Beijing： Science Press. 2014.）

[33]謝勤.用于腦運(yùn)作分析的前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法研究[C].電子技術(shù)與軟件工程，2016，4：258-264.（Xie Qin. FeedForward Network Sample Recombination Tree Generating Arithmetic（DG-FFN SR Trees Arithmetic） And Generation Of Sample Recombination Graph [J]. Electronic Technology & Software Engineering， 2016，4：258-264.）

（通訊作者：謝勤）

作者簡(jiǎn)介

謝勤（1982-），男，華南理工大學(xué)碩士，中國(guó)神經(jīng)科學(xué)學(xué)會(huì)會(huì)員，工程師，近年在亞組委信息技術(shù)部完成核心信息系統(tǒng)——計(jì)時(shí)記分和成績(jī)處理系統(tǒng)項(xiàng)目實(shí)施管理方面的工作，其中計(jì)時(shí)記分系統(tǒng)投資一億。主要研究方向?yàn)橛?jì)算機(jī)科學(xué)與工程、人工智能、神經(jīng)生物學(xué)。

作者單位

1.廣州市科技和信息化局 廣東省廣州市 510000

2.第16屆亞運(yùn)會(huì)組委會(huì)信息技術(shù)部 廣東省廣州市 510000

3.廣州生產(chǎn)力促進(jìn)中心 廣東省廣州市 510000

4.廣州市科學(xué)技術(shù)信息研究所 廣東省廣州市 510000

5.廣州市科技創(chuàng)新委員會(huì) 廣東省廣州市 510000

6.廣州市工業(yè)和信息化委員會(huì) 廣東省廣州市 510000

7.廣州市科技創(chuàng)新發(fā)展戰(zhàn)略研究院 廣東省廣州市 510000