用于脑运作分析的携环境信息前向网络样本重组树生成算法

2017-02-23 13:29谢勤1
电子技术与软件工程 2016年24期
关键词:链表数据结构大脑

谢勤1

文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用,并用量化模型结合结构风险最小化相关理论说明时序控制作用的意义。文献[10-24]汇总介绍量化模型中的一些细节。为方便同行阅读,我们在2013年也发表了系列综合报告[25-29]。文献[31-32]介绍我们开发的一个算法,这一算法实现将一个有向网络分解为一系列前向网络集合。分解出来的前向网络集合可用于分析各种情况对任一细胞活动情况的影响,也可用于搭建精细的神经网络模型,进而用于辅助医学等方面的研究。算法的网络分解能力能符合文献[1-28]所介绍的大脑处理信息量化方案的要求。算法的设计用到了笔者在2004年论文[30]中总结的一种算法设计思路,采用这一思路设计的算法有好的可扩展性,文献[33]将文献[31-32]介绍的算法升级为DG-FFN SR Trees算法,本文介绍了怎样将文献[33]介绍的DG-FFN SR Trees算法升级扩展为DG-FFN SR Trees-EI 算法,升级成的DG-FFN SR Trees-EI 算法可用于多种用途。

【关键词】过程存储和重组模型 大脑量化模型 中枢神经系统 前向网络样本重组树 携环境信息前向网络样本重组树

分类号:Q426

1 前言

1.1 从信息处理系统的角度研究脑运作机制[29,31-32]

脑具备信息处理系统的功能,研究大脑时,可以把脑看成“一种特别的信息处理系统”。目前神经生物学一个受关注的研究方向是大脑的整体运作机制是怎样的,也就是脑中分子层面的活动如何影响、决定细胞层面的活动;细胞层面的活动如何影响、决定微环路和环路层面的活动并最终影响、决定系统层面的活动和功能。当把大脑运作机制看成“一种特别的信息处理系统的运作机制”时,这个研究方向涉及信息系统研究中的“系统结构”、“系统组成原理”、等方面的问题。如果把脑这一信息处理系统的“系统架构”、“系统组成原理”、等看成一套未知的待探索的机制,已积累的“分子层面、细胞层面、微环路和环路层面、系统层面的各种知识和实践经验”可以看成“自然和人们无意中编排设计的、探索脑信息处理运作机制的实验获得的数据和结果”,因此,综合整理分析已有的各层面的知识,建立有坚实解剖学基础、能联系各层面、量化描述脑信息处理过程的模型和框架,发现、掌握系统运作所遵循的基本规律和原理,会对更深刻理解大脑信息处理运作机制有所帮助;将有利于对各种神经系统疾病发病机制的理解、治疗方案的制定;也将有助于我们更深刻地理解,理性、客观地对待我们已知的各种知识和所建立的各种理论。

综合整理分析、建立量化描述模型、探索系统运作所遵循的基本规律和原理是一项繁杂艰巨的工作,笔者在多年前就已经开始了这项工作,并发表了一系列论文。我们于2007年3月正式发表论文[1]提出血液循环(包括微循环)机制在大脑运作过程起到时序控制的作用,在研究脑运作机制的时候,要考虑血液周期性灌注的影响;分析了各种脑电现象形成的机制和原因;等。我们笔者在上述论文和一系列发表于网站、全国学术会议、期刊等的论文[1-20](这些论文发表于2006年至2012年)中,提出了血液循环在脑处理信息的过程中具有时序控制作用;分析了各种脑电现象形成的机制和原因;建立描述脑处理信息过程的量化模型,用量化模型结合结构风险最小化相关理论分析说明时序控制作用对大脑高效可靠处理信息的意义;汇总介绍量化模型中的细节;分析了大脑能正确而高效处理信息,使智力能够诞生的原因;分析了理论建立和应用过程的神经生理学原理、只能有相对真理的神经生理学原因;还建立和介绍了另外一种量化分析方案;等。我们还介绍了更多的细节[21-24]。为方便同行阅读,我们在2013年也整理发表了系列综合报告[25-28]。

以上文字已发表在文献[29]中。

1.2 脑研究辅助工具的研发

脑研究领域的另外一个研究方向是研发更多用于研究大脑的辅助工具。文献[31-32]介绍了我们设计的一种网络分解算法,这一算法用于将有向网络分解为一系列前向网络集合,为每个节点都生成一个以这个节点为输出细胞的前向网络,并且实现前向网络的扩维次数可控、不会无限制扩维,观察时间长度可控。分解出来的前向网络集合可用于分析各种情况对任一细胞活动状态的影响,也可以用于搭建精细的神经网络模型,进而用于辅助医学等方面的研究。

文献[31-32]介绍的算法设计过程中用到了笔者在2004年论文中总结的一种算法分析设计思路:面对一些需求复杂的算法设计时,从“递归空间的分类”这一个角度入手,进而分析各递归空间间的参数传递关系,从而设计出符合需求的算法流程及其“搭配策略”[30]。采用这一设计思路设计的算法具有好的可扩展性,文献[33]将文献[31-32]介绍的算法进行升级为前向网络样本重组树生成算法,实现样本排列图构造信息的生成。本文介绍怎样将文献[33]介绍的前向网络样本重组树生成算法(DG-FFN SR Trees 算法)升级为携环境信息前向网絡样本重组树生成算法(DG-FFN SR Trees-EI 算法),升级成的DG-FFN SR Trees-EI 算法可用于多种用途。

1.3 一些需要注意的事项

在上面文字和所提及参考文献中,“大脑”和“脑”两词在很多情况下都对应英文中的brain,就是指脑,这一点需要注意。

1.4 意义

各类理论、知识、语言、等的本质和应用等已可由统一的大脑信息处理量化模型描述[1-28]。例如:无限细分概念的相关神经机制可用我们的大脑处理信息量化模型描述;标准模型理论认为,物质是由“构成物质的基本粒子”构成,并通过交换“传递力的基本粒子”而结合在一起,这一理论也遵循着我们提出的理论建立和应用的神经生理学原理,也是一个相对真理,相关神经机制可用我们的大脑处理信息量化模型分析清楚;等等。

本文设计的算法,可用于更精细分析脑整体运作;可用于更精细、以更多种方式干预大脑整体运作;等等用途,具有积极意义,值得进一步研究。

2 算法需求分析总结

需求描述:要建立描述更丰富信息的脑量化分析模型,需要设计合理的数据结构和函数,用于描述脑细胞所处环境和分析环境对脑细胞活动的影响,例如对波动阈值的影响。

需求分析:要实现上述需求,DG-FFN SR Trees 算法升级后的DG-FFN SR Trees-EI算法相应的数据结构中,要有相应的成员用于描述脑细胞所处的环境的信息(如位置,各种化学物质浓度情况等),或者指向描述脑细胞所处环境信息(如位置,各种化学物质浓度情况等)的数据结构。

3 算法重要数据结构升级设计

3.1 一些说明

在本文中,一些已在文献[31-33]介绍过的重要数据结构设计本文不再重复一一介绍。下面将以图和伪代码相结合的方式介绍以前一些未详细列出介绍的,有升级点的重要数据结构。

3.2 有向图类

有向图类,Directed Graph, 简称DG,算法升级过程中,有向图类将增加必

要的成员和函数。

3.2.1 图节点类重要成员和增加成员介绍

Class GraphNode{

//…

FFNSRTreeNode* GeneratedNodeLink; /* 图节点类中增加一个链表成员GeneratedNodeLink,该成员是前向网络树生成过程中,对应本图节点的所有树节点的链表 */

Int GeneratedNodeNum; /* 在生成某一棵EI-FFN SR Tree的过程中,GeneratedNodeLink链表中所链接的 EI-FFNSRTreeNode 个数 */

EnviromentInformation* Env-of-Node; /*指针,指向描述细胞所处环境的数据结构*/

Time* BeginTime; /* 和EndTime配合标记本图节点描述的神经细胞及其所处环境是处于哪个时间区间的 */

Time* EndTime; /* 和BeginTime配合标记本图节点描述的神经细胞及其所处环境是处于哪个时间区间的 */

//…

}

3.2.2 图边类增加成员介绍

Class GraphEdge{

//…

EnviromentInformation* Env-of-Edge; /*指针,指向描述传输通路所处环境的数据结构*/

Time* BeginTime; /* 和EndTime配合标记本图边描述的传输通路及其所处环境是处于哪个时间区间的 */

Time* EndTime; /* 和BeginTime配合标记本图边描述的传输通道及其所处环境是处于哪个时间区间的 */

//…

}

3.3 前向网络样本重组树

前向网络样本重组树,FeedForward Network Sample Recombination Tree , 简称FFN SR Tree。FFN SR Tree是一种复合数据结构,由树结构,队列结构,链表结构复合而成。FFN SR Tree结构也可以看作由三部分组成,由FFN Tree 子结构,队列子结构、链表子结构三部分复合组成。

Class FFNSRTree{

//…

FFNSRTreeNode* RootNode; /*指向树型子结构的根节点*/

FFNSRTreeQueue* FFNSRTreeQueueInstance; /*指向隊列子结构*/

//…

}

(1)前向网络样本重组树 FFN SR Tree的总体结构如图1所示。

(2)树节点类重要成员和增加成员介绍:

Class FFNSRTreeNode{

//…

FFNSRTreeNode* NextNodeOnGeneratedLink; /*下一个和本树节点由同一个图节点产生的树节点*/

Long Double LatencyTime; /*信息从本细胞到输出细胞,包括信号转换、本细胞和沿途细胞处理信息时间的总传输延迟*/

EnviromentInformation* Env-of-TreeNode; /*指针,指向描述细胞所处环境的数据结构*/

Time* BeginTime; /* 和EndTime配合标记本FFN SR Tree节点描述的神经细胞及其所处环境是处于哪个时间区间的 */

Time* EndTime; /* 和BeginTime配合标记本 FFN SR Tree节点描述的神经细胞及其所处环境是处于哪个时间区间的 */

//…

}

(3)树边类重要成员和增加成员介绍:

Class FFNSRTreeEdge{

//…

Signal * InputSignals; /*输入信息队列*/

Signal* OutputSignals; /*输出信息队列*/

Void Transmitter(); /*将输入的已经完成传输时间延迟的信息从InputSignals信息队列取出,放到OutputSignals信息队列, 描述”输入信息输入传输路径输入端后,经过一定时间的延迟,到达传输路径输出端”这一过程*/

Long Double TransmitTime; /*边时间权值,定义为信息从本树边输入端传输到输出端,包括信号转换、输入端神经细胞处理信息所需时间*/

Long Double LatencyTime; /*信息从输入端到输出细胞,包括信号转换、输入端细胞和沿途细胞处理信息时间的总传输延迟*/

Long Double LinkPower; /*边连接权值*/

EnviromentInformation* Env-of-TreeEdge; /*指针,指向描述传输通路所处环境的数据结构*/

Time* BeginTime; /* 和EndTime配合标记本FFN SR Tree边描述的传输通路及其所处环境是处于哪个时间区间的 */

Time* EndTime; /* 和BeginTime配合标记本 FFN SR Tree边描述的传输通路及其所处环境是处于哪个时间区间的 */

//…

}

(4)树队列类重要成员介绍:

Class FFNSRTreeQueue{

//…

FFNSRTreeQueueNode* FisrtQueueNode; /*队列中第一个队列节点*/

Long QueueNodeNum; /*队列中的队列节点总数*/

//…

}

(5)树队列节点类重要成员介绍:

Class FFNSRTreeQueueNode{

//…

String Lable; /*节点标识,记录本队列节点對应哪个图节点*/

Long SeqInfo; /*排序信息,记录在排好序队列中本节点的序号*/

GraphNode* OriginGraphNode; /*图节点指针,指向本队列节点对应的图节点*/

Long Double MaxLatencyTime; /*记录队列中到输出细胞时间延迟最大路径的时间延迟值*/

FFNSRTreeNode* GeneratedNodeLink; /* 链表成员GeneratedNodeLink,该成员是前向网络树生成过程中,由和本队列节点对应图节点产生的所有树节点的链表 */

//…

}

3.4 十字链表结构

十字链表结构,用于实现表现样本排列图的样本排列矩阵

Class CrossLinkNode{ String Lable; /*节点标识,标记对应哪个图节点*/

String TimeArea; /*标记对应哪个时间区域,即哪个样本*/

CrossLinkNode* RightNode; /*指向右方节点*/

CrossLinkNode* DownNode;/*指向下方节点*/

State StateOfThisCell ;/*记录细胞具体兴奋情况的数据结构*/

CalibrationTime CalibrationTimeValue; /*记录符合精确程度要求的延迟校准时间值的数据结构,在算法启用延迟时间校准模式的时候,会用到这一成员。在启用延迟时间校准模式的时候,初始化十字链表时,每个FFN SR Tree节点对应一个十字链表行头节点*/

FFNSRTreeNode* RelatedFFNSRTreeNode;/* 在启用延迟时间校准模式的时候,初始化十字链表时,每个FFN SR Tree节点对应一个十字链表行头节点,这个成员标记一个行头节点对应哪个FFN SR Tree节点*/

//…

}/*在本算法中,规定每个十字链表节点对应一个细胞在一个样本时间段内的兴奋状况*/

Class CrossLink{

//…

CrossLinkNode*[] RowHead; /*行头节点指针数组,指向各行第一个节点*/

CrossLinkNode*[] ColHead; / *列头节点指针数组,指向各列第一个节点*/

Long RowNum;/*总行数*/

Long ColNum;/*总列数*/

Bool CalibrationTimeMode; /*是否开启延迟时间校准模式*/

//…

}

3.5 描述环境的数据结构EnviromentInformation

Class EnviromentInformation{

//…

Region* region; /* 本环境数据是描述哪个空间范围的,包括位置,范围,形状,大小等信息 */

Time* BeginTime; /* 和 EndTime 成员配合标记描述的是相应空间哪个时间范围内的环境情况 */

Time* EndTime; /* 和 BeginTime 成员配合标记描述的是相应空间哪个时间范围内的环境情况 */

//…

}

4 DG-FFN SR Trees 算法升级为 DG-FFN SR Trees-EI 算法的思路

算法的升级思路主要有如下几点:

(1)在生成 FFN SR Tree过程中,在生成树节点的时候,为FFNSRTreeNode 数据结构中Env-of-TreeNode,BeginTime,EndTime赋上相应的值。

(2)在生成FFN SR Tree过程中,在生成树边的时候,为FFNSRTreeEdge

数据机构中Env-of-TreeEdge,BeginTime,EndTime赋上相应的值。

(3)在携环境信息前向网络样本重组树生成过程中,一个网络节点在一棵树中可能对应一系列节点,按实际科研需要,在有必要的时候,可以采用如下方法优化系统性能:用一个EnviromentInformation类型的数据真正存储描述一个物理空间中比較大时间范围内环境的信息,然后相关网络节点、树节点设置相应的指针指向这份数据,设置相应的BeginTime,EndTime标记某一特定的网络节点、某一特定的树节点是处于那个时间范围内的;对网络边、树边所处环境的描述也可以采取类似方法。

5 算法的流程设计

除了4中涉及的升级点外,DG-FFN SR Trees-EI算法流程和DG-FFN SR Trees算法类似,这里不再重复描述,具体参考文献[33]。

6 算法的应用

在生成FFN SR Tree和用于表现样本排列矩阵的有向十字链表后,就能生成和推演出动态的样本排列图,算法产生的样本排列图(数据上表现为FFN SR Tree,样本排列矩阵等)有多种用途:

6.1 应用于网络运作的精确分析

由于携带有丰富的描述细胞、传递通路、等所处环境的信息,算法可按实际研究需要分别在开启和关闭延迟时间校准两种工作模式(参考文献[33])下,用于更精细的大脑整体运作分析。

6.2 应用于网络运作的精确干预

由于携带有丰富的描述细胞、传递通路、等所处环境的信息,算法可按实际

研究需要分别在开启和关闭延迟时间校准两种工作模式(参考文献[33])下,用于更精细、通过更多种方法干预大脑整体运作。

6.3 应用于其他各种用途

7 可进一步改进的工作

可改进的工作有如下几点:

(1)需要注意的一点是,本文介绍的是文献[1-29]涉及的量化模型的计算机模型,计算机模型是“量化模型的模型”,在描述自然事物和规律的精确度上是有一定损失的,例如在本文介绍的计算机模型中,树边类的成员中,边时间权值TransmitTime,总传输延迟LatencyTime,边连接权值LinkPower等成员定义为Long Double类型的变量,有表数精度、表数范围等方面的局限性;在有需要进行更精细研究的时候,可按实际研究需要,采用将相关成员定义为符合研究精细程度要求的数据结构类型等方式改进技术,建立符合研究需要的计算机模型。[33]

(2)在程序设计中,需求满足的优先级顺序为“正确性、稳定性、可测性、规范性和可读性、全局效率、局部效率、个人风格 ”,上面算法采用了递归程序的框架设计,先满足了优先级高的需求,后续可以通过递归程序的非递归化优化效率。[31] [32]

(3)在计算量大的情况下,通过适当改造,上述算法对应的计算任务可以分拆成多个子计算任务,然后分布到多个系统中计算。[31] [32]

(4)为程序调试方便,个别数据结构设计存在信息冗余,可进一步进行程序的代码级优化。[31] [32]

参考文献

[1]谢勤,王乙容.大脑处理信息的过程存储和重组模型[J].现代生物医学进展,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]谢勤.血液循环在大脑信息处理过程中的时序控制作用[J].现代生物医学进展,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]谢勤.过程存储与重组模型[Z].www.sciam.com.cn,2006.(Xie Qin. Model of Process Storing and Recalling[Z].www.sciam.com.cn,2006.)

[4]谢勤.一种关于脑电波起源和含义的观点[C].中国神经科学学会第七次全国学术会议论文集.北京:科学出版社,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]谢勤.血液循环在大脑信息处理过程中的时序控制作用整理[C].中国神经科学学会第八次全国学术会议论文集.北京:科学出版社,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]谢勤.血液循环在大脑信息处理过程中的时序控制作用整理[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]谢勤.大脑处理信息的样本量和网络规模问题[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.大脑处理信息量化模型中的另一种样本重组方案[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]谢勤.大脑处理信息的样本量和网络规模问题[C].中国神经科学学会第九次全国学术会议论文集.北京:科学出版社, 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]谢勤.大脑处理信息量化模型中的细节汇编[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]谢勤.大脑处理信息量化模型中的细节汇编二[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]谢勤.大脑处理信息量化模型中的细节汇编三[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]谢勤.大脑处理信息量化模型中的细节汇编四[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]谢勤.大脑处理信息量化模型中的细节汇编五[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]谢勤.大脑处理信息量化模型中的细节汇编六[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]谢勤.大脑处理信息量化模型中的细节汇编七[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]谢勤.大脑处理信息量化模型中的细节汇编八[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]谢勤.大脑处理信息量化模型中的细节汇编九[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]谢勤.大脑处理信息量化模型中的细节汇编十[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]谢勤.大脑处理信息量化模型中的细节汇编十一[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]谢勤.大脑处理信息量化模型中的细节汇编十二[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]谢勤.大脑处理信息量化模型中的细节汇编十三[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]谢勤.大脑处理信息量化模型中的细节汇编十四[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]谢勤.大脑处理信息量化模型中的细节汇编十五[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]谢勤.大脑处理信息量化模型和细节综合报告[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]谢勤.基于量化模型的对大脑高效可靠处理信息实现机制的分析[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]谢勤.基于大脑处理信息量化模型的对若干认知问题的分析[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]谢勤.大脑处理信息量化模型和细节综合报告[C].中国神经科学学会第十次全国学术会议论文集.北京:科学出版社,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]谢勤.从信息处理系统的角度研究脑运作机制[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]谢勤.WAP算法连续化及其应用[C].毕业论文,2004.

[31]谢勤.一种可用于脑神经网络分析的有向网络分解算法[J].数字化用户,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]谢勤.一种可用于脑神经网络分析的有向网络分解算法[C].第八届海内外华人神经科学家研讨会论文集.北京:科学出版社,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]谢勤.用于脑运作分析的前向网络样本重组树生成算法研究[C].电子技术与软件工程,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.)

(通讯作者:谢勤)

作者简介

谢勤(1982-),男,華南理工大学硕士,中国神经科学学会会员,工程师,近年在亚组委信息技术部完成核心信息系统——计时记分和成绩处理系统项目实施管理方面的工作,其中计时记分系统投资一亿。主要研究方向为计算机科学与工程、人工智能、神经生物学。

作者单位

1.广州市科技和信息化局 广东省广州市 510000

2.第16届亚运会组委会信息技术部 广东省广州市 510000

3.广州生产力促进中心 广东省广州市 510000

4.广州市科学技术信息研究所 广东省广州市 510000

5.广州市科技创新委员会 广东省广州市 510000

6.广州市工业和信息化委员会 广东省广州市 510000

7.广州市科技创新发展战略研究院 广东省广州市 510000

猜你喜欢
链表数据结构大脑
基于二进制链表的粗糙集属性约简
基于链表多分支路径树的云存储数据完整性验证机制
“翻转课堂”教学模式的探讨——以《数据结构》课程教学为例
链表方式集中器抄表的设计
TRIZ理论在“数据结构”多媒体教学中的应用
《数据结构》教学方法创新探讨