用于腦運(yùn)作分析的前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法及樣本排列圖的生成0113

1、用于腦運(yùn)作分析的前向網(wǎng)絡(luò)樣本重組樹(shù)生成算法及樣本排列圖的生成謝勤1，2，3，4,*1 廣州市科技和信息化局，廣州 510000 2第16屆亞運(yùn)會(huì)組委會(huì)信息技術(shù)部，廣州 5100003 廣州生產(chǎn)力促進(jìn)中心， 廣州 510000 4廣州市科學(xué)技術(shù)信息研究所， 廣州 510000摘要：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1-29。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

2、。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，本文介紹了怎樣將文獻(xiàn)31-32介紹dg-ffn trees算法升級(jí)擴(kuò)展為dg-ffn sr trees算法，升級(jí)成的dg-ffn sr trees算法可用于實(shí)現(xiàn)樣本排列圖的生成。關(guān)鍵詞 過(guò)程存儲(chǔ)和重組模型；時(shí)序控制；腦電波；微循環(huán)；結(jié)構(gòu)風(fēng)險(xiǎn)；中樞神經(jīng)系統(tǒng)；信息處理；微環(huán)路；時(shí)間認(rèn)知；智力起源；

3、大腦量化模型；前向網(wǎng)絡(luò)樹(shù)；前向網(wǎng)絡(luò)樣本重組樹(shù)中圖分類(lèi)號(hào)：q426 文獻(xiàn)標(biāo)識(shí)碼：a 文章編號(hào)： feedforward network sample recombination tree generating arithmetic(dg-ffn sr trees arithmetic) and generation of sample recombination graphxieqin1,*1 bureau of science, technology and information of guangzhou municipality ; it&t department, gagoc g

4、uangzhou，510000-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：計(jì)算機(jī)科學(xué)與工程，人工智能，神經(jīng)生物學(xué)。*通訊作者: 謝勤，e-mail:xieqin1982abstract: literatures 1-9 suggest that blood circulation plays the role of basic timer when brain processing information; and suggest

5、 a quantitative model of brain information processing. literatures 10-24 introduced details of the quantitativemodel.literatures31-32 introduce an arithmetic,dg-ffn trees arithmetic that we design for network analyse.dg-ffn trees arithmetic is able to change a directed network with feedback loops in

6、to a set of feedforward networks，according to the quantiative solution suggested by literatures 1-9.this article introduce a upgrade of dg-ffn trees arithmetic:dg-ffn sr trees arithmetic and generation of sample recombination graphkeywords: model of process storing and recalling; timing control; eeg

7、; microcirculation; structure risk minimization; cns; information processing; micro circuit; time cognition; origin of intelligence; quantitative model of brain information processing; feedforward network tree; ffn tree；feedforward network sample recombination tree; ffn sr tree前 言1從信息處理系統(tǒng)的角度研究腦運(yùn)作機(jī)制2

8、9,31-32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)

9、”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、量化描述大腦信息處理過(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

10、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，在研究大腦運(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)在大腦處理信息的過(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；建立描述大腦處理信息過(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

11、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。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)

12、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(lèi)”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，本文介紹怎樣將文獻(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。第一節(jié) 算法需求分析總結(jié)需求1：以圖11-7所示的樣本排列圖為例，要支持構(gòu)造圖11-7所介紹的樣本排列圖，需要要實(shí)現(xiàn)到輸出細(xì)胞3最大傳輸延遲越大的輸入在縱軸上距離細(xì)胞3

13、越遠(yuǎn)，即縱軸坐標(biāo)值越大。 說(shuō)明：要實(shí)現(xiàn)上述需求，dg-ffn trees 算法升級(jí)后的dg-ffn sr trees算法所生成各棵前向網(wǎng)絡(luò)樣本重樹(shù)中，應(yīng)有樹(shù)中各節(jié)點(diǎn)到根節(jié)點(diǎn)的傳輸延遲長(zhǎng)度信息和相應(yīng)的排序信息，用于實(shí)現(xiàn)上述需求。需求2：由于 dg-ffn trees 算法完成和反饋回路處理相關(guān)的擴(kuò)維處理，兩節(jié)點(diǎn)間多通路相關(guān)的擴(kuò)維處理，使每個(gè)生成的前向網(wǎng)絡(luò)樹(shù)中，每個(gè)有向圖節(jié)點(diǎn)可能對(duì)應(yīng)一棵前向網(wǎng)絡(luò)樹(shù)中的多個(gè)樹(shù)節(jié)點(diǎn)。在構(gòu)造樣本排列圖過(guò)程中，若采用圖1那樣將由同一圖節(jié)點(diǎn)生成的一系列樹(shù)節(jié)點(diǎn)在縱坐標(biāo)上對(duì)應(yīng)同一點(diǎn)的構(gòu)造方法（當(dāng)然也可以不采用這一構(gòu)造方法，每個(gè)樹(shù)節(jié)點(diǎn)在縱坐標(biāo)上各自對(duì)應(yīng)一點(diǎn)），則需要有“一個(gè)圖節(jié)點(diǎn)

14、對(duì)應(yīng)哪一系列樹(shù)節(jié)點(diǎn)”的信息。另外在動(dòng)態(tài)分析神經(jīng)網(wǎng)絡(luò)信息處理、動(dòng)態(tài)分析樣本重組過(guò)程的時(shí)候，也需要有“一個(gè)圖節(jié)點(diǎn)對(duì)應(yīng)哪一系列樹(shù)節(jié)點(diǎn)”的信息。說(shuō)明：在生成前向網(wǎng)絡(luò)樹(shù)的過(guò)程中，通過(guò)對(duì)相應(yīng)對(duì)應(yīng)信息的記錄，可以實(shí)現(xiàn)上述需求。 第二節(jié) 算法重要數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)1 要生成動(dòng)態(tài)演化的樣本排列圖，所需要的數(shù)據(jù)結(jié)構(gòu)分兩類(lèi)，用于分析計(jì)算樣本重組的分析層數(shù)據(jù)結(jié)構(gòu)，用于總體表現(xiàn)樣本重組過(guò)程的表現(xiàn)層數(shù)據(jù)結(jié)構(gòu)；其中分析層數(shù)據(jù)結(jié)構(gòu)主要有有向圖結(jié)構(gòu)和前向網(wǎng)絡(luò)樣本重組樹(shù)結(jié)構(gòu)；表現(xiàn)層數(shù)據(jù)結(jié)構(gòu)主要有有序十字鏈表結(jié)構(gòu)，用于實(shí)現(xiàn)表現(xiàn)樣本排列圖的樣本排列矩陣。 下面將以圖和偽代碼相結(jié)合的方式介紹這些重要數(shù)據(jù)結(jié)構(gòu)。2 有向圖類(lèi)，directed

15、graph, 簡(jiǎn)稱(chēng)dg，算法升級(jí)過(guò)程中，有向圖類(lèi)將增加必要的成員和函數(shù)1）圖節(jié)點(diǎn)類(lèi)重要成員和增加成員介紹class graphnode / ffnsrtreenode* generatednodelink; /* 圖節(jié)點(diǎn)類(lèi)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ffn sr tree的過(guò)程中，generatednodelink鏈表中所鏈接的 ffnsrtreenode 個(gè)數(shù) */ /3 前向網(wǎng)絡(luò)樣本重組樹(shù)，feedforward network sam

16、ple recombination tree, 簡(jiǎn)稱(chēng)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)如下圖所示： 圖2 2）樹(shù)節(jié)點(diǎn)類(lèi)重要成員和增

17、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)*/ / 3）樹(shù)邊類(lèi)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

18、,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*/ /4）樹(shù)隊(duì)列類(lèi)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)*/ lon

19、g 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(lèi)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g

20、eneratednodelink，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 */ /4 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)*/ /*在本算

21、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)*/5 遞歸空間是指某一個(gè)有遞歸調(diào)用區(qū)的程序在某一次調(diào)用它的遞歸調(diào)用區(qū)時(shí)，為其遞歸調(diào)用區(qū)所建立的進(jìn)程對(duì)應(yīng)的系統(tǒng)資源的集合。一代遞歸空間是指程序第一次進(jìn)入遞歸調(diào)用區(qū)和與其有相同遞歸深度的遞歸調(diào)用區(qū)時(shí)為執(zhí)行遞歸區(qū)代碼所建立的進(jìn)程對(duì)應(yīng)的

22、系統(tǒng)資源的集合。而該程序以后進(jìn)入更大深度的遞歸調(diào)用區(qū)時(shí)為執(zhí)行遞歸區(qū)代碼所建立的進(jìn)程對(duì)應(yīng)的系統(tǒng)資源集合都屬后代遞歸空間。306 basetable 標(biāo)識(shí)符 和 space標(biāo)識(shí)符 ：3132它是一種標(biāo)記符號(hào)，它的格式是: space( k, i ) 是在k代遞歸空間集中產(chǎn)生的ffn所有子樹(shù)在程序返回上一代遞歸空間時(shí)都要以 i 為根節(jié)點(diǎn)的父節(jié)點(diǎn)的那一個(gè)遞歸空間。space( k, i1 )和space( k, i2 )是具有相同遞歸深度的遞歸空間，都叫k代遞歸空間。basetable( k , n ) , k 表示該 basetable是在第k 代遞歸空間產(chǎn)生的，假設(shè)basetable(k,n)是在

23、space(k,i)中產(chǎn)生的，則n表示basetable(k,n)是在k代空間中為對(duì)應(yīng)有邊直接到節(jié)點(diǎn)i的節(jié)點(diǎn)n產(chǎn)生的 basetable。由basetable( k , n ) 為基礎(chǔ)產(chǎn)生的所有ffn子樹(shù)在返回k代空間時(shí)將以 n為根節(jié)點(diǎn)的父節(jié)點(diǎn) 。7 space類(lèi) 和 basetable類(lèi) 的重要成員介紹：3132space類(lèi)：space(k,i) 的k，i成員含義前面已經(jīng)有介紹；有一個(gè)length成員，用于存儲(chǔ)ffn樹(shù)的根到當(dāng)前遞歸空間對(duì)應(yīng)i節(jié)點(diǎn)的路徑中，經(jīng)過(guò)的路徑長(zhǎng)度總和，可以是傳輸時(shí)間延遲長(zhǎng)度總和；有一個(gè)childrentable,存儲(chǔ)了有邊直接連接到節(jié)點(diǎn)i的節(jié)點(diǎn)，這些點(diǎn)在生成的ffn樹(shù)

24、中可能成為i節(jié)點(diǎn)的孩子節(jié)點(diǎn)；有一個(gè)resulttreelist成員，用于存放一系列結(jié)果樹(shù)，具體作用見(jiàn)后面敘述。在有需要更精細(xì)建模時(shí)可增加成員、等。basetable類(lèi)：basetable(k,n)的k，n成員的含義前面已經(jīng)有介紹；一個(gè)是baselength,從ffn樹(shù)的根節(jié)點(diǎn)到basetable( k , n )對(duì)應(yīng)的節(jié)點(diǎn)n的長(zhǎng)度總和，可以是傳輸時(shí)間延遲總長(zhǎng)；有一個(gè)result成員，以n節(jié)點(diǎn)為根節(jié)點(diǎn)，由basetable(k, n)產(chǎn)生的后代遞歸空間space(k+1,n)返回的子樹(shù)的根節(jié)點(diǎn)作為n節(jié)點(diǎn)的孩子節(jié)點(diǎn)。在有需要更精細(xì)建模時(shí)可增加成員、等。8 generationsign 標(biāo)識(shí)符:30

25、為了在程序中實(shí)現(xiàn)對(duì)不同類(lèi)型的遞歸空間采用分治策略，我們必須使程序能夠“感知”自己所處的遞歸空間，因而設(shè)立int類(lèi)型變量generationsign。30 第三節(jié) dg-ffn trees 算法升級(jí)為 dg-ffn sr trees算法的思路（1）從第二節(jié)定義我們已知，以basetable( k , i ) 為基礎(chǔ)找出的子樹(shù)在程序返回space(k, i 1)時(shí)會(huì)以節(jié)點(diǎn) i為根節(jié)點(diǎn)的父節(jié)點(diǎn)。（2）后代遞歸空間結(jié)構(gòu)和后代遞歸空間之間的數(shù)據(jù)傳輸關(guān)系如圖1所示： 圖3（3）分析圖一可以看出，實(shí)現(xiàn)如下幾點(diǎn)可實(shí)現(xiàn)對(duì)dg-ffn trees算法流程的升級(jí)，進(jìn)而生成符合需求的ffn sr tree和樣本排列圖

26、：i實(shí)現(xiàn)總傳輸延遲長(zhǎng)度控制和最大擴(kuò)維次數(shù)控制的關(guān)鍵在于控制好用于產(chǎn)生下一代遞歸空間的basetable，避免不受限制地遞歸產(chǎn)生basetable和后代遞歸空間。實(shí)際上，實(shí)現(xiàn)了總傳輸延遲長(zhǎng)度控制后，最大擴(kuò)維次數(shù)就受到了限制，不會(huì)無(wú)限制增長(zhǎng)。ii 在生成樹(shù)節(jié)點(diǎn)時(shí)，將所生成的樹(shù)節(jié)點(diǎn)同時(shí)掛到所對(duì)應(yīng)圖節(jié)點(diǎn)的generatednodelink鏈表中；檢查對(duì)應(yīng)的圖節(jié)點(diǎn)在ffnsrtreequeue中是否有對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)，如果沒(méi)有，生成對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)ffnsrtreequeuenode。iii 在返回0代遞歸空間，完成整棵樹(shù)的生成后：step1： 對(duì)于每個(gè)節(jié)點(diǎn)ffnsrtreequeuenode，根據(jù)對(duì)應(yīng)的圖

27、節(jié)點(diǎn)中的generatednodelink ，找到latencytime最大的節(jié)點(diǎn)，將相應(yīng)的latencytime 值為maxlatencytime賦值。step2： 將ffnsrtreequeue中各隊(duì)列節(jié)點(diǎn)按maxlatencytime值執(zhí)行排序，排序信息記錄在各ffnsrtreequeuenode的seqinfo成員中。step3：排序后的ffnsrtreequeue可用于初始化有序十字鏈表，實(shí)現(xiàn)樣本排列矩陣中，最大傳輸延遲越大，在樣本排列距陣中縱坐標(biāo)值越大。第四節(jié) 后代遞歸空間中控制擴(kuò)維次數(shù)、控制總傳輸延遲、產(chǎn)生樣本重組所需信息的解決方案設(shè)計(jì)（一）現(xiàn)在，我們先考察一下在space( k

28、 , i2)中產(chǎn)生basetable(k,i1)的過(guò)程，space( k , i2)的情況如圖二所示： 圖4 space( k , i2)的功能模塊在產(chǎn)生basetable(k,i1)的過(guò)程中應(yīng)該有如下功能：if（路徑長(zhǎng)度 + i1到i2的長(zhǎng)度超過(guò)允許的最大長(zhǎng)度） 不再產(chǎn)生basetable(k,i1)，一棵不包含任何節(jié)點(diǎn)的空子樹(shù)將作為space(k,i2)分析運(yùn)算一系列結(jié)果樹(shù)中的一棵結(jié)果樹(shù)返回，在程序從遞歸空間space(k,i2)返回其父空間前可先存放在space(k,i2)的resulttreelist成員中。else 生成basetable(k,i1), basetable(k,i1)

29、中baselength的值為basetable(k-1,i2)中baselenth的值+ i1到i2的邊權(quán)值 3132（二）space(k,i2)的功能模塊對(duì)本空間childrentable成員中的每個(gè)節(jié)點(diǎn)都會(huì)執(zhí)行（一）中所描述的過(guò)程，對(duì)所有childrentable成員執(zhí)行完（一）中所描述的過(guò)程后返回其父空間，會(huì)有兩種情況： 情況一是產(chǎn)生一系列basetable：basetable(k,i1)，basetable(k,i1a)，basetable(k,i1n)；space(k,i2)的分析運(yùn)算可能獲得一系列結(jié)果樹(shù)，這些樹(shù)的樹(shù)根都將成為i2節(jié)點(diǎn)的孩子節(jié)點(diǎn)，所構(gòu)成的一棵樹(shù)將成為basetable

30、(k-1,i2)中result成員的值；space(k,i2)的分析運(yùn)算也可能只獲得一系列空樹(shù)，一棵只有一個(gè)i2節(jié)點(diǎn)的樹(shù)將成為basetable(k-1,i2)中result成員的值。 在上述情況一過(guò)程中，每分析完一個(gè)basetable，將所獲得的result成員的值拷貝到space(k,i2)的resulttreelist成員中。情況二是children table為空，也就是圖中沒(méi)有節(jié)點(diǎn)有邊直接連接到i2節(jié)點(diǎn)，space(k,i2)的分析運(yùn)算將返回一棵空樹(shù)，一棵只有一個(gè)i2節(jié)點(diǎn)的樹(shù)將成為basetable(k-1,i2)中result成員的值，i2節(jié)點(diǎn)將成最后ffn樹(shù)的一個(gè)葉子節(jié)點(diǎn)。313

31、2（三）本步驟是dg-ffn trees算法升級(jí)為dg-ffn sr tree算法的升級(jí)點(diǎn)，在（一）和（二）有樹(shù)節(jié)點(diǎn)產(chǎn)生的時(shí)候，也執(zhí)行如下操作：在生成樹(shù)節(jié)點(diǎn)時(shí)，將所生成的樹(shù)節(jié)點(diǎn)同時(shí)掛到所對(duì)應(yīng)圖節(jié)點(diǎn)的generatednodelink鏈表中；檢查對(duì)應(yīng)的圖節(jié)點(diǎn)在ffnsrtreequeue中是否有對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)，如果沒(méi)有，生成對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)ffnsrtreequeuenode。第五節(jié) 后代遞歸空間的產(chǎn)生、對(duì)后代遞歸空間返回?cái)?shù)據(jù)的處理（一）以basetable(k,i1)為例，basetable(k,i1)將用于產(chǎn)生遞歸空間space(k+1,i1)：space(k+1,i1)中，length成員的

32、值為basetable(k,i1)中baselength的值； childrentable的值為圖中有直接邊到i1的節(jié)點(diǎn)。3132（二）space(k,i2)產(chǎn)生的一系列basetable：basetable(k,i1)，basetable(k,i1a)，basetable(k,i1n)產(chǎn)生一系列k+1代遞歸空間的情況類(lèi)似。3132（三）以space(k,i2)為例，space(k,i2)的分析運(yùn)算將獲得一系列結(jié)果樹(shù)存放在resulttreelist中，在返回space(k,i2)父空間的時(shí)候，這些樹(shù)的樹(shù)根都將成為i2節(jié)點(diǎn)的孩子節(jié)點(diǎn)，所構(gòu)成的一棵樹(shù)成為basetable(k-1,i2)中res

33、ult成員的值。對(duì)于一系列結(jié)果樹(shù)只是一系列空樹(shù)的情況，一棵只有一個(gè)i2節(jié)點(diǎn)的樹(shù)將成為basetable(k-1,i2)中result成員的值。k=1時(shí)，處理方法類(lèi)似。3132（四）本步驟是dg-ffn trees算法升級(jí)為dg-ffn sr tree算法的升級(jí)點(diǎn)，在（一）、（二）、（三）有樹(shù)節(jié)點(diǎn)產(chǎn)生的時(shí)候，也執(zhí)行如下操作：在生成樹(shù)節(jié)點(diǎn)時(shí)，將所生成的樹(shù)節(jié)點(diǎn)同時(shí)掛到所對(duì)應(yīng)圖節(jié)點(diǎn)的generatednodelink鏈表中；檢查對(duì)應(yīng)的圖節(jié)點(diǎn)在ffnsrtreequeue中是否有對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)，如果沒(méi)有，生成對(duì)應(yīng)的隊(duì)列節(jié)點(diǎn)ffnsrtreequeuenode。第六節(jié) 算法總體流程設(shè)計(jì)一 在獲得細(xì)胞n為輸

34、出細(xì)胞的前向網(wǎng)絡(luò)時(shí)，可先構(gòu)造basetable(0,n), 用basetable(0,n)生成space(1,n),然后，遞歸執(zhí)行第四節(jié)到第五節(jié)介紹的流程。二 本步驟是dg-ffn trees算法升級(jí)為dg-ffn sr trees算法的升級(jí)點(diǎn)，在返回回0代遞歸空間后，執(zhí)行如下操作：step1： 對(duì)于每個(gè)節(jié)點(diǎn)ffnsrtreequeuenode，將對(duì)應(yīng)的圖節(jié)點(diǎn)中的generatednodelink的值賦ffnsrtreequeuenode中g(shù)eneratednodelink成員，根據(jù)generatednodelink成員的值，找到latencytime最大的節(jié)點(diǎn)，將相應(yīng)的latencytime

35、 值為maxlatencytime賦值。step2： 將ffnsrtreequeue中各隊(duì)列節(jié)點(diǎn)按maxlatencytime值執(zhí)行排序，排序信息記錄在各ffnsrtreequeuenode的seqinfo成員中。step3：排序后的ffnsrtreequeue可用于初始化有序十字鏈表，實(shí)現(xiàn)樣本排列矩陣中，最大傳輸延遲越大，在樣本排列距陣中縱坐標(biāo)值越大。完成上述操作后，可獲得以細(xì)胞n為輸出細(xì)胞的前向網(wǎng)絡(luò)樣本重組樹(shù)。 三對(duì)圖中的每個(gè)節(jié)點(diǎn)都執(zhí)行一所描述的操作，可獲得一系列前向網(wǎng)絡(luò)樣本重組樹(shù)，用于網(wǎng)絡(luò)運(yùn)行的精確分析和精確干預(yù)。第七節(jié) 樣本排列圖的生成以及算法的應(yīng)用在生成ffn sr tree和用于表

36、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：一 應(yīng)用于網(wǎng)絡(luò)運(yùn)作的精確分析這里以圖5為例說(shuō)明這個(gè)作用。從樣本排列圖（數(shù)據(jù)上表現(xiàn)為ffn sr tree,樣本排列矩陣等）可以清楚定位某一樣本時(shí)間段內(nèi)輸出細(xì)胞的輸出，例如t8時(shí)c細(xì)胞的輸出主要是由圖中陰影標(biāo)記的特定細(xì)胞在特定時(shí)間段內(nèi)的興奮狀況決定的。樣本排列矩陣的興奮狀況數(shù)據(jù)有幾種來(lái)源：從生物體檢測(cè)到、ffn sr tree神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果反饋、為研究網(wǎng)絡(luò)某些條件下的運(yùn)作而預(yù)先設(shè)定等等。按照實(shí)際研究的情況和需要，可以先初始化好t1時(shí)標(biāo)記陰影的特

37、定細(xì)胞細(xì)胞興奮狀況數(shù)據(jù)，將數(shù)據(jù)輸入ffn sr tree神經(jīng)網(wǎng)絡(luò)運(yùn)算，根據(jù)計(jì)算結(jié)果、從生物體檢測(cè)到的結(jié)果、預(yù)設(shè)條件等綜合實(shí)際研究需要得到或設(shè)置t4時(shí)標(biāo)記陰影的特定細(xì)胞興奮狀況數(shù)據(jù)以此類(lèi)推得到t6、t8時(shí)陰影標(biāo)記的特定細(xì)胞興奮狀況數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)運(yùn)作的精確分析和研究。不同輸出細(xì)胞的多樣本排列圖通過(guò)信息通信同步運(yùn)作，可以用于整個(gè)神經(jīng)網(wǎng)絡(luò)的精確運(yùn)作分析。二應(yīng)用于網(wǎng)絡(luò)運(yùn)作的精確干預(yù)部署有本算法的信息處理部件，控制其他儀器或者部件對(duì)神經(jīng)網(wǎng)絡(luò)運(yùn)行進(jìn)行精準(zhǔn)干預(yù)，例如，在激光束精度能精確到能只照射一個(gè)細(xì)胞的技術(shù)條件下，通過(guò)在樣本排列圖智能控制下的激光束的開(kāi)關(guān)技術(shù)和光遺傳學(xué)技術(shù)相結(jié)合，實(shí)現(xiàn)通過(guò)干預(yù)圖5中陰影

38、標(biāo)記的特定細(xì)胞在特定時(shí)間段內(nèi)的興奮狀況，精準(zhǔn)干預(yù)神經(jīng)網(wǎng)絡(luò)運(yùn)作。三等等。 圖5。第八節(jié) 可進(jìn)一步改進(jìn)的工作 一在程序設(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。 二在計(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)可以按第七節(jié)介紹的方法分拆成多個(gè)子計(jì)算任務(wù)，然后分布到多個(gè)系統(tǒng)中計(jì)算。三為程序調(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。參考文獻(xiàn)(references)1 謝勤，王乙容大腦處理信息的過(guò)程存儲(chǔ)和重

39、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):432-435,4392 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 in

40、formation j.progress of modern biomedicine, 2008, (6):1152-11593 謝勤過(guò)程存儲(chǔ)與重組模型zwww.sciam，2006 xie qin. model of process storing and recalling z.www.sciam, 20064 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 eegsc.proceedings of the 7th biennia

41、l meeting and the 5th congress of the chinese society for neuroscience. beijing: science press, 2007:1445 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

42、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

43、，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

44、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. bei

45、jing: science press. 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 pr

46、ocessing 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 m

47、odel 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

48、. 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

49、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 qu