用于腦運(yùn)作探析攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹生成算法

用于腦運(yùn)作探析攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹生成算法文獻(xiàn)19提出了血液循環(huán)在大腦處理信息的過程中具有時(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)理論說明時(shí)序控制作用的意義。文獻(xiàn)1024匯總介紹量化模型中的一些細(xì)節(jié)。為方便同行閱讀，我們在2013年也發(fā)表了系列綜合報(bào)告2529。文獻(xiàn)3132介紹我們開發(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。分解出來的前向網(wǎng)絡(luò)集合可用于分析各種情況對任一細(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)128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)3132介紹的算法升級為DGFFNSRTREES算法，本文介紹了怎樣將文獻(xiàn)33介紹的DGFFNSRTREES算法升級擴(kuò)展為DGFFNSRTREESEI算法，升級成的DGFFNSRTREESEI算法可用于多種用途【關(guān)鍵詞】過程存儲(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)樣本重組樹攜環(huán)境信息前向網(wǎng)絡(luò)樣本重組樹分類號Q4261前言11從信息處理系統(tǒng)的角度研究腦運(yùn)作機(jī)制29，3132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、全國學(xué)術(shù)會(huì)議、期刊等的論文120（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)理論分析說明時(shí)序控制作用對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)用過程的神經(jīng)生理學(xué)原理、只能有相對真理的神經(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)2124。為方便同行閱讀，我們在2013年也整理發(fā)表了系列綜合報(bào)告2528以上文字已發(fā)表在文獻(xiàn)29中12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)3132介紹了我們設(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)無限制擴(kuò)維，觀察時(shí)間長度可控。分解出來的前向網(wǎng)絡(luò)集合可用于分析各種情況對任一細(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)3132介紹的算法設(shè)計(jì)過程中用到了筆者在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)3132介紹的算法進(jìn)行升級為前向網(wǎng)絡(luò)樣本重組樹生成算法，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)樣本重組樹生成算法（DGFFNSRTREES算法）升級為攜環(huán)境信息前向網(wǎng)J樣本重組樹生成算法（DGFFNSRTREESEI算法），升級成的DGFFNSRTREESEI算法可用于多種用途13一些需要注意的事項(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應(yīng)英文中的BRAIN，就是指腦，這一點(diǎn)需要注意14意義各類理論、知識(shí)、語言、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128。例如無限細(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)境對腦細(xì)胞活動(dòng)的影響，例如對波動(dòng)閾值的影響需求分析要實(shí)現(xiàn)上述需求，DGFFNSRTREES算法升級后的DGFFNSRTREESEI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)升級設(shè)計(jì)31一些說明在本文中，一些已在文獻(xiàn)3133介紹過的重要數(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，有升級點(diǎn)的重要數(shù)據(jù)結(jié)構(gòu)32有向圖類有向圖類，DIRECTEDGRAPH，簡稱DG，算法升級過程中，有向圖類將增加必要的成員和函數(shù)321圖節(jié)點(diǎn)類重要成員和增加成員介紹CLASSGRAPHNODE/FFNSRTREENODEGENERATEDNODELINK；/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)樹生成過程中，對應(yīng)本圖節(jié)點(diǎn)的所有樹節(jié)點(diǎn)的鏈表/INTGENERATEDNODENUM；/在生成某一棵EIFFNSRTREE的過程中，GENERATEDNODELINK鏈表中所鏈接的EIFFNSRTREENODE個(gè)數(shù)/ENVIROMENTINFORMATIONENVOFNODE；/指針，指向描述細(xì)胞所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)/TIMEBEGINTIME；/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/TIMEENDTIME；/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/322圖邊類增加成員介紹CLASSGRAPHEDGE/ENVIROMENTINFORMATIONENVOFEDGE；/指針，指向描述傳輸通路所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)/TIMEBEGINTIME；/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/TIMEENDTIME；/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/33前向網(wǎng)絡(luò)樣本重組樹前向網(wǎng)絡(luò)樣本重組樹，F(xiàn)EEDFORWARDNETWORKSAMPLERECOMBINATIONTREE，簡稱FFNSRTREE。FFNSRTREE是一種復(fù)合數(shù)據(jù)結(jié)構(gòu)，由樹結(jié)構(gòu)，隊(duì)列結(jié)構(gòu)，鏈表結(jié)構(gòu)復(fù)合而成。FFNSRTREE結(jié)構(gòu)也可以看作由三部分組成，由FFNTREE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CLASSFFNSRTREE/FFNSRTREENODEROOTNODE；/指向樹型子結(jié)構(gòu)的根節(jié)點(diǎn)/FFNSRTREEQUEUEFFNSRTREEQUEUEINSTANCE；/指向列子結(jié)構(gòu)/（1）前向網(wǎng)絡(luò)樣本重組樹FFNSRTREE的總體結(jié)構(gòu)如圖1所示（2）樹節(jié)點(diǎn)類重要成員和增加成員介紹CLASSFFNSRTREENODE/FFNSRTREENODENEXTNODEONGENERATEDLINK；/下一個(gè)和本樹節(jié)點(diǎn)由同一個(gè)圖節(jié)點(diǎn)產(chǎn)生的樹節(jié)點(diǎn)/LONGDOUBLELATENCYTIME；/信息從本細(xì)胞到輸出細(xì)胞，包括信號轉(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/ENVIROMENTINFORMATIONENVOFTREENODE；/指針，指向描述細(xì)胞所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)/TIMEBEGINTIME；/和ENDTIME配合標(biāo)記本FFNSRTREE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/TIMEENDTIME；/和BEGINTIME配合標(biāo)記本FFNSRTREE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）樹邊類重要成員和增加成員介紹CLASSFFNSRTREEEDGE/SIGNALINPUTSIGNALS；/輸入信息隊(duì)列/SIGNALOUTPUTSIGNALS；/輸出信息隊(duì)列/VOIDTRANSMITTER（）；/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)過一定時(shí)間的延遲，到達(dá)傳輸路徑輸出端”這一過程/LONGDOUBLETRANSMITTIME；/邊時(shí)間權(quán)值，定義為信息從本樹邊輸入端傳輸?shù)捷敵龆?，包括信號轉(zhuǎn)換、輸入端神經(jīng)細(xì)胞處理信息所需時(shí)間/LONGDOUBLELATENCYTIME；/信息從輸入端到輸出細(xì)胞，包括信號轉(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/LONGDOUBLELINKPOWER；/邊連接權(quán)值/ENVIROMENTINFORMATIONENVOFTREEEDGE；/指針，指向描述傳輸通路所處環(huán)境的數(shù)據(jù)結(jié)構(gòu)/TIMEBEGINTIME；/和ENDTIME配合標(biāo)記本FFNSRTREE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/TIMEENDTIME；/和BEGINTIME配合標(biāo)記本FFNSRTREE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）樹隊(duì)列類重要成員介紹CLASSFFNSRTREEQUEUE/FFNSRTREEQUEUENODEFISRTQUEUENODE；/隊(duì)列中第一個(gè)隊(duì)列節(jié)點(diǎn)/LONGQUEUENODENUM；/隊(duì)列中的隊(duì)列節(jié)點(diǎn)總數(shù)/（5）樹隊(duì)列節(jié)點(diǎn)類重要成員介紹CLASSFFNSRTREEQUEUENODE/STRINGLABLE；/節(jié)點(diǎn)標(biāo)識(shí)，記錄本隊(duì)列節(jié)點(diǎn)母鐾冀詰/LONGSEQINFO；/排序信息，記錄在排好序隊(duì)列中本節(jié)點(diǎn)的序號/GRAPHNODEORIGINGRAPHNODE；/圖節(jié)點(diǎn)指針，指向本隊(duì)列節(jié)點(diǎn)對應(yīng)的圖節(jié)點(diǎn)/LONGDOUBLEMAXLATENCYTIME；/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/FFNSRTREENODEGENERATEDNODELINK；/鏈表成員GENERATEDNODELINK，該成員是前向網(wǎng)絡(luò)樹生成過程中，由和本隊(duì)列節(jié)點(diǎn)對應(yīng)圖節(jié)點(diǎn)產(chǎn)生的所有樹節(jié)點(diǎn)的鏈表/34十字鏈表結(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CLASSCROSSLINKNODESTRINGLABLE；/節(jié)點(diǎn)標(biāo)識(shí)，標(biāo)記對應(yīng)哪個(gè)圖節(jié)點(diǎn)/STRINGTIMEAREA；/標(biāo)記對應(yīng)哪個(gè)時(shí)間區(qū)域，即哪個(gè)樣本/CROSSLINKNODERIGHTNODE；/指向右方節(jié)點(diǎn)/CROSSLINKNODEDOWNNODE；/指向下方節(jié)點(diǎn)/STATESTATEOFTHISCELL；/記錄細(xì)胞具體興奮情況的數(shù)據(jù)結(jié)構(gòu)/CALIBRATIONTIMECALIBRATIONTIMEVALUE；/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)FFNSRTREE節(jié)點(diǎn)對應(yīng)一個(gè)十字鏈表行頭節(jié)點(diǎn)/FFNSRTREENODERELATEDFFNSRTREENODE；/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)FFNSRTREE節(jié)點(diǎn)對應(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)對應(yīng)哪個(gè)FFNSRTREE節(jié)點(diǎn)/在本算法中，規(guī)定每個(gè)十字鏈表節(jié)點(diǎn)對應(yīng)一個(gè)細(xì)胞在一個(gè)樣本時(shí)間段內(nèi)的興奮狀況/CLASSCROSSLINK/CROSSLINKNODEROWHEAD；/行頭節(jié)點(diǎn)指針數(shù)組，指向各行第一個(gè)節(jié)點(diǎn)/CROSSLINKNODECOLHEAD；/列頭節(jié)點(diǎn)指針數(shù)組，指向各列第一個(gè)節(jié)點(diǎn)/LONGROWNUM；/總行數(shù)/LONGCOLNUM；/總列數(shù)/BOOLCALIBRATIONTIMEMODE；/是否開啟延遲時(shí)間校準(zhǔn)模式/35描述環(huán)境的數(shù)據(jù)結(jié)構(gòu)ENVIROMENTINFORMATIONCLASSENVIROMENTINFORMATION/REGIONREGION；/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/TIMEBEGINTIME；/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/TIMEENDTIME；/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/4DGFFNSRTREES算法升級為DGFFNSRTREESEI算法的思路算法的升級思路主要有如下幾點(diǎn)（1）在生成FFNSRTREE過程中，在生成樹節(jié)點(diǎn)的時(shí)候，為FFNSRTREENODE數(shù)據(jù)結(jié)構(gòu)中ENVOFTREENODE，BEGINTIME，ENDTIME賦上相應(yīng)的值（2）在生成FFNSRTREE過程中，在生成樹邊的時(shí)候，為FFNSRT某一特定的網(wǎng)絡(luò)節(jié)點(diǎn)、某一特定的樹節(jié)點(diǎn)是處于那個(gè)時(shí)間范圍內(nèi)的；對網(wǎng)絡(luò)邊、樹邊所處環(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中涉及的升級點(diǎn)外，DGFFNSRTREESEI算法流程和DGFFNSRTREES算法類似，這里不再重復(fù)描述，具體參考文獻(xiàn)336算法的應(yīng)用在生成FFNSRTREE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FFNSRTREE，樣本排列矩陣等）有多種用途61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62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)、通過更多種方法干預(yù)大腦整體運(yùn)作63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)129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LONGDOUBLE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)先級順序?yàn)椤罢_性、穩(wěn)定性、可測性、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)先級高的需求，后續(xù)可以通過遞歸程序的非遞歸化優(yōu)化效率。3132（3）在計(jì)算量大的情況下，通過適當(dāng)改造，上述算法對應(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。3132（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)行程序的代碼級優(yōu)化。3132參考文獻(xiàn)1謝勤，王乙容大腦處理信息的過程存儲(chǔ)和重組模型J現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2007，（3）432435，439（XIEQIN，WANGYIRONGSTORINGANDREENGINEERINGOFMODELSOFCEREBRALINFORMATIONPROCESSJPROGRESSOFMODERNBIOMEDICINE，2007，（3）432435，439）2謝勤血液循環(huán)在大腦信息處理過程中的時(shí)序控制作用J現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2008，（6）11521159（XIEQINTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONJPROGRESSOFMODERNBIOMEDICINE，2008，（6）11521159）3謝勤過程存儲(chǔ)與重組模型ZWWWSCIAMCOMCN，2006（XIEQINMODELOFPROCESSSTORINGANDRECALLINGZWWWSCIAMCOMCN，2006）4謝勤一種關(guān)于腦電波起源和含義的觀點(diǎn)C中國神經(jīng)科學(xué)學(xué)會(huì)第七次全國學(xué)術(shù)會(huì)議論文集北京科學(xué)出版社，2007144（XIEQINAVIEWPOINTABOUTORIGINANDMEANINGOFEEGSCPROCEEDINGSOFTHE7THBIENNIALMEETINGANDTHE5THCONGRESSOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS，2007144）5謝勤血液循環(huán)在大腦信息處理過程中的時(shí)序控制作用整理C中國神經(jīng)科學(xué)學(xué)會(huì)第八次全國學(xué)術(shù)會(huì)議論文集北京科學(xué)出版社，2009135（XIEQINAREVIEWOFTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONCPROCEEDINGSOFTHE8THBIENNIALMEETINGOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS2009135）6謝勤血液循環(huán)在大腦信息處理過程中的時(shí)序控制作用整理J中外健康文摘，2011，8（20）9398（XIEQINAREVIEWOFTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONJWORLDHEALTHDIGEST，2011，8（20）9398）7謝勤大腦處理信息的樣本量和網(wǎng)絡(luò)規(guī)模問題J中外健康文摘，2011，8（21）8891（XIEQINMATCHINGPROBLEMOFSAMPLEQUANTITYANDNETWORKSCALEWHENBRAINPROCESSINGINFORMATIONJWORLDHEALTHDIGEST，2011，8（21）8891）8X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）209210（XIEQINANOTHERSAMPLERECOMBINATIONSOLUTIONFORQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGJWORLDHEALTHDIGEST，2011，8（22）209210）9謝勤大腦處理信息的樣本量和網(wǎng)絡(luò)規(guī)模問題C中國神經(jīng)科學(xué)學(xué)會(huì)第九次全國學(xué)術(shù)會(huì)議論文集北京科學(xué)出版社，2011366（XIEQINMATCHINGPROBLEMOFSAMPLEQUANTITYANDNETWORKSCALEWHENBRAINPROCESSINGINFORMATIONCPROCEEDINGSOFTHE9THBIENNIALMEETINGOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS2011366）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）7880（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGJWORLDHEALTHDIGEST，2011，8（48）7880）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）101102（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIIJWORLDHEALTHDIGEST，2012，9（4）101102）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）6162（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIIIJWORLDHEALTHDIGEST，2012，9（16）6162）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）193194（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIVJWORLDHEALTHDIGEST，2012，9（23）193194）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）5657（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVJWORLDHEALTHDIGEST，2012，9（20）5657）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）238239（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIJWORLDHEALTHDIGEST，2012，9（29）238239）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）4546（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIIJWORLDHEALTHDIGEST，2012，9（33）4546）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）393395（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIIIJWORLDHEALTHDIGEST，2012，9（39）393395）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）402403（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIXJWORLDHEALTHDIGEST，2012，9（39）402403）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）407408（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXJWORLDHEALTHDIGEST，2012，9（39）407408）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）112113（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIJWORLDHEALTHDIGEST，2012，9（50）112113）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），2014，118（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIIJFORALLHEALTH，2014，118）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），2014，12223（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIIIJFORALLHEALTH，2014，12223）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），2014，212（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIVJFORALLHEALTH，2014，212）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），2014，310（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXVJFORALLHEALTH，2014，310）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）69（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSJFORALLHEALTH，2013，7（11）69）26謝勤基于量化模型的對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）1113（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSIIJFORALLHEALTH，2013，7（11）1113）27謝勤基于大腦處理信息量化模型的對若干認(rèn)知問題的分析J大家健康（下旬版），2013，7（11）1415（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSIIIJFORALLHEALTH，2013，7（11）1415）28謝勤大腦處理信息量化模型和細(xì)節(jié)綜合報(bào)告C中國神經(jīng)科學(xué)學(xué)會(huì)第十次全國學(xué)術(shù)會(huì)議論文集北京科學(xué)出版社，2013（XIEQINCOMPREHENSIVEREPORTOFAQUANTITA