用于腦運作分析的攜環境信息前向網絡樣本重組樹生成算法

謝勤1

文獻[1-9]提出了血液循環在大腦處理信息的過程中具有時序控制作用，并用量化模型結合結構風險最小化相關理論說明時序控制作用的意義。文獻[10-24]匯總介紹量化模型中的一些細節。為方便同行閱讀，我們在2013年也發表了系列綜合報告[25-29]。文獻[31-32]介紹我們開發的一個算法，這一算法實現將一個有向網絡分解為一系列前向網絡集合。分解出來的前向網絡集合可用于分析各種情況對任一細胞活動情況的影響，也可用于搭建精細的神經網絡模型，進而用于輔助醫學等方面的研究。算法的網絡分解能力能符合文獻[1-28]所介紹的大腦處理信息量化方案的要求。算法的設計用到了筆者在2004年論文[30]中總結的一種算法設計思路，采用這一思路設計的算法有好的可擴展性，文獻[33]將文獻[31-32]介紹的算法升級為DG-FFN SR Trees算法，本文介紹了怎樣將文獻[33]介紹的DG-FFN SR Trees算法升級擴展為DG-FFN SR Trees-EI 算法，升級成的DG-FFN SR Trees-EI 算法可用于多種用途。

【關鍵詞】過程存儲和重組模型 大腦量化模型 中樞神經系統 前向網絡樣本重組樹 攜環境信息前向網絡樣本重組樹

分類號：Q426

1 前言

1.1 從信息處理系統的角度研究腦運作機制[29，31-32]

腦具備信息處理系統的功能，研究大腦時，可以把腦看成“一種特別的信息處理系統”。目前神經生物學一個受關注的研究方向是大腦的整體運作機制是怎樣的，也就是腦中分子層面的活動如何影響、決定細胞層面的活動；細胞層面的活動如何影響、決定微環路和環路層面的活動并最終影響、決定系統層面的活動和功能。當把大腦運作機制看成“一種特別的信息處理系統的運作機制”時，這個研究方向涉及信息系統研究中的“系統結構”、“系統組成原理”、等方面的問題。如果把腦這一信息處理系統的“系統架構”、“系統組成原理”、等看成一套未知的待探索的機制，已積累的“分子層面、細胞層面、微環路和環路層面、系統層面的各種知識和實踐經驗”可以看成“自然和人們無意中編排設計的、探索腦信息處理運作機制的實驗獲得的數據和結果”，因此，綜合整理分析已有的各層面的知識，建立有堅實解剖學基礎、能聯系各層面、量化描述腦信息處理過程的模型和框架，發現、掌握系統運作所遵循的基本規律和原理，會對更深刻理解大腦信息處理運作機制有所幫助；將有利于對各種神經系統疾病發病機制的理解、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、探索系統運作所遵循的基本規律和原理是一項繁雜艱巨的工作，筆者在多年前就已經開始了這項工作，并發表了一系列論文。我們于2007年3月正式發表論文[1]提出血液循環（包括微循環）機制在大腦運作過程起到時序控制的作用，在研究腦運作機制的時候，要考慮血液周期性灌注的影響；分析了各種腦電現象形成的機制和原因；等。我們筆者在上述論文和一系列發表于網站、全國學術會議、期刊等的論文[1-20]（這些論文發表于2006年至2012年）中，提出了血液循環在腦處理信息的過程中具有時序控制作用；分析了各種腦電現象形成的機制和原因；建立描述腦處理信息過程的量化模型，用量化模型結合結構風險最小化相關理論分析說明時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節；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用過程的神經生理學原理、只能有相對真理的神經生理學原因；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節[21-24]。為方便同行閱讀，我們在2013年也整理發表了系列綜合報告[25-28]。

以上文字已發表在文獻[29]中。

1.2 腦研究輔助工具的研發

腦研究領域的另外一個研究方向是研發更多用于研究大腦的輔助工具。文獻[31-32]介紹了我們設計的一種網絡分解算法，這一算法用于將有向網絡分解為一系列前向網絡集合，為每個節點都生成一個以這個節點為輸出細胞的前向網絡，并且實現前向網絡的擴維次數可控、不會無限制擴維，觀察時間長度可控。分解出來的前向網絡集合可用于分析各種情況對任一細胞活動狀態的影響，也可以用于搭建精細的神經網絡模型，進而用于輔助醫學等方面的研究。

文獻[31-32]介紹的算法設計過程中用到了筆者在2004年論文中總結的一種算法分析設計思路：面對一些需求復雜的算法設計時，從“遞歸空間的分類”這一個角度入手，進而分析各遞歸空間間的參數傳遞關系，從而設計出符合需求的算法流程及其“搭配策略”[30]。采用這一設計思路設計的算法具有好的可擴展性，文獻[33]將文獻[31-32]介紹的算法進行升級為前向網絡樣本重組樹生成算法，實現樣本排列圖構造信息的生成。本文介紹怎樣將文獻[33]介紹的前向網絡樣本重組樹生成算法（DG-FFN SR Trees 算法）升級為攜環境信息前向網絡樣本重組樹生成算法（DG-FFN SR Trees-EI 算法），升級成的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

在上面文字和所提及參考文獻中，“大腦”和“腦”兩詞在很多情況下都對應英文中的brain，就是指腦，這一點需要注意。

1.4 意義

各類理論、知識、語言、等的本質和應用等已可由統一的大腦信息處理量化模型描述[1-28]。例如：無限細分概念的相關神經機制可用我們的大腦處理信息量化模型描述；標準模型理論認為，物質是由“構成物質的基本粒子”構成，并通過交換“傳遞力的基本粒子”而結合在一起，這一理論也遵循著我們提出的理論建立和應用的神經生理學原理，也是一個相對真理，相關神經機制可用我們的大腦處理信息量化模型分析清楚；等等。

本文設計的算法，可用于更精細分析腦整體運作；可用于更精細、以更多種方式干預大腦整體運作；等等用途，具有積極意義，值得進一步研究。

2 算法需求分析總結

需求描述：要建立描述更豐富信息的腦量化分析模型，需要設計合理的數據結構和函數，用于描述腦細胞所處環境和分析環境對腦細胞活動的影響，例如對波動閾值的影響。

需求分析：要實現上述需求，DG-FFN SR Trees 算法升級后的DG-FFN SR Trees-EI算法相應的數據結構中，要有相應的成員用于描述腦細胞所處的環境的信息（如位置，各種化學物質濃度情況等），或者指向描述腦細胞所處環境信息（如位置，各種化學物質濃度情況等）的數據結構。

3 算法重要數據結構升級設計

3.1 一些說明

在本文中，一些已在文獻[31-33]介紹過的重要數據結構設計本文不再重復一一介紹。下面將以圖和偽代碼相結合的方式介紹以前一些未詳細列出介紹的，有升級點的重要數據結構。

3.2 有向圖類

有向圖類，Directed Graph， 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。

3.2.1 圖節點類重要成員和增加成員介紹

Class GraphNode{

//…

FFNSRTreeNode* GeneratedNodeLink； /* 圖節點類中增加一個鏈表成員GeneratedNodeLink，該成員是前向網絡樹生成過程中，對應本圖節點的所有樹節點的鏈表 */

Int GeneratedNodeNum； /* 在生成某一棵EI-FFN SR Tree的過程中，GeneratedNodeLink鏈表中所鏈接的 EI-FFNSRTreeNode 個數 */

EnviromentInformation* Env-of-Node； /*指針，指向描述細胞所處環境的數據結構*/

Time* BeginTime； /* 和EndTime配合標記本圖節點描述的神經細胞及其所處環境是處于哪個時間區間的 */

Time* EndTime； /* 和BeginTime配合標記本圖節點描述的神經細胞及其所處環境是處于哪個時間區間的 */

//…

}

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境的數據結構*/

Time* BeginTime； /* 和EndTime配合標記本圖邊描述的傳輸通路及其所處環境是處于哪個時間區間的 */

Time* EndTime； /* 和BeginTime配合標記本圖邊描述的傳輸通道及其所處環境是處于哪個時間區間的 */

//…

}

3.3 前向網絡樣本重組樹

前向網絡樣本重組樹，FeedForward Network Sample Recombination Tree ， 簡稱FFN SR Tree。FFN SR Tree是一種復合數據結構，由樹結構，隊列結構，鏈表結構復合而成。FFN SR Tree結構也可以看作由三部分組成，由FFN Tree 子結構，隊列子結構、鏈表子結構三部分復合組成。

Class FFNSRTree{

//…

FFNSRTreeNode* RootNode； /*指向樹型子結構的根節點*/

FFNSRTreeQueue* FFNSRTreeQueueInstance； /*指向隊列子結構*/

//…

}

（1）前向網絡樣本重組樹 FFN SR Tree的總體結構如圖1所示。

（2）樹節點類重要成員和增加成員介紹：

Class FFNSRTreeNode{

//…

FFNSRTreeNode* NextNodeOnGeneratedLink； /*下一個和本樹節點由同一個圖節點產生的樹節點*/

Long Double LatencyTime； /*信息從本細胞到輸出細胞，包括信號轉換、本細胞和沿途細胞處理信息時間的總傳輸延遲*/

EnviromentInformation* Env-of-TreeNode； /*指針，指向描述細胞所處環境的數據結構*/

Time* BeginTime； /* 和EndTime配合標記本FFN SR Tree節點描述的神經細胞及其所處環境是處于哪個時間區間的 */

Time* EndTime； /* 和BeginTime配合標記本 FFN SR Tree節點描述的神經細胞及其所處環境是處于哪個時間區間的 */

//…

}

（3）樹邊類重要成員和增加成員介紹：

Class FFNSRTreeEdge{

//…

Signal * InputSignals； /*輸入信息隊列*/

Signal* OutputSignals； /*輸出信息隊列*/

Void Transmitter（）； /*將輸入的已經完成傳輸時間延遲的信息從InputSignals信息隊列取出，放到OutputSignals信息隊列， 描述”輸入信息輸入傳輸路徑輸入端后，經過一定時間的延遲，到達傳輸路徑輸出端”這一過程*/

Long Double TransmitTime； /*邊時間權值，定義為信息從本樹邊輸入端傳輸到輸出端，包括信號轉換、輸入端神經細胞處理信息所需時間*/

Long Double LatencyTime； /*信息從輸入端到輸出細胞，包括信號轉換、輸入端細胞和沿途細胞處理信息時間的總傳輸延遲*/

Long Double LinkPower； /*邊連接權值*/

EnviromentInformation* Env-of-TreeEdge； /*指針，指向描述傳輸通路所處環境的數據結構*/

Time* BeginTime； /* 和EndTime配合標記本FFN SR Tree邊描述的傳輸通路及其所處環境是處于哪個時間區間的 */

Time* EndTime； /* 和BeginTime配合標記本 FFN SR Tree邊描述的傳輸通路及其所處環境是處于哪個時間區間的 */

//…

}

（4）樹隊列類重要成員介紹：

Class FFNSRTreeQueue{

//…

FFNSRTreeQueueNode* FisrtQueueNode； /*隊列中第一個隊列節點*/

Long QueueNodeNum； /*隊列中的隊列節點總數*/

//…

}

（5）樹隊列節點類重要成員介紹：

Class FFNSRTreeQueueNode{

//…

String Lable； /*節點標識，記錄本隊列節點對應哪個圖節點*/

Long SeqInfo； /*排序信息，記錄在排好序隊列中本節點的序號*/

GraphNode* OriginGraphNode； /*圖節點指針，指向本隊列節點對應的圖節點*/

Long Double MaxLatencyTime； /*記錄隊列中到輸出細胞時間延遲最大路徑的時間延遲值*/

FFNSRTreeNode* GeneratedNodeLink； /* 鏈表成員GeneratedNodeLink，該成員是前向網絡樹生成過程中，由和本隊列節點對應圖節點產生的所有樹節點的鏈表 */

//…

}

3.4 十字鏈表結構

十字鏈表結構，用于實現表現樣本排列圖的樣本排列矩陣

Class CrossLinkNode{ String Lable； /*節點標識，標記對應哪個圖節點*/

String TimeArea； /*標記對應哪個時間區域，即哪個樣本*/

CrossLinkNode* RightNode； /*指向右方節點*/

CrossLinkNode* DownNode；/*指向下方節點*/

State StateOfThisCell ；/*記錄細胞具體興奮情況的數據結構*/

CalibrationTime CalibrationTimeValue； /*記錄符合精確程度要求的延遲校準時間值的數據結構，在算法啟用延遲時間校準模式的時候，會用到這一成員。在啟用延遲時間校準模式的時候，初始化十字鏈表時，每個FFN SR Tree節點對應一個十字鏈表行頭節點*/

FFNSRTreeNode* RelatedFFNSRTreeNode；/* 在啟用延遲時間校準模式的時候，初始化十字鏈表時，每個FFN SR Tree節點對應一個十字鏈表行頭節點，這個成員標記一個行頭節點對應哪個FFN SR Tree節點*/

//…

}/*在本算法中，規定每個十字鏈表節點對應一個細胞在一個樣本時間段內的興奮狀況*/

Class CrossLink{

//…

CrossLinkNode*[] RowHead； /*行頭節點指針數組，指向各行第一個節點*/

CrossLinkNode*[] ColHead； / *列頭節點指針數組，指向各列第一個節點*/

Long RowNum；/*總行數*/

Long ColNum；/*總列數*/

Bool CalibrationTimeMode； /*是否開啟延遲時間校準模式*/

//…

}

3.5 描述環境的數據結構EnviromentInformation

Class EnviromentInformation{

//…

Region* region； /* 本環境數據是描述哪個空間范圍的，包括位置，范圍，形狀，大小等信息 */

Time* BeginTime； /* 和 EndTime 成員配合標記描述的是相應空間哪個時間范圍內的環境情況 */

Time* EndTime； /* 和 BeginTime 成員配合標記描述的是相應空間哪個時間范圍內的環境情況 */

//…

}

4 DG-FFN SR Trees 算法升級為 DG-FFN SR Trees-EI 算法的思路

算法的升級思路主要有如下幾點：

（1）在生成 FFN SR Tree過程中，在生成樹節點的時候，為FFNSRTreeNode 數據結構中Env-of-TreeNode，BeginTime，EndTime賦上相應的值。

（2）在生成FFN SR Tree過程中，在生成樹邊的時候，為FFNSRTreeEdge

數據機構中Env-of-TreeEdge，BeginTime，EndTime賦上相應的值。

（3）在攜環境信息前向網絡樣本重組樹生成過程中，一個網絡節點在一棵樹中可能對應一系列節點，按實際科研需要，在有必要的時候，可以采用如下方法優化系統性能：用一個EnviromentInformation類型的數據真正存儲描述一個物理空間中比較大時間范圍內環境的信息，然后相關網絡節點、樹節點設置相應的指針指向這份數據，設置相應的BeginTime，EndTime標記某一特定的網絡節點、某一特定的樹節點是處于那個時間范圍內的；對網絡邊、樹邊所處環境的描述也可以采取類似方法。

5 算法的流程設計

除了4中涉及的升級點外，DG-FFN SR Trees-EI算法流程和DG-FFN SR Trees算法類似，這里不再重復描述，具體參考文獻[33]。

6 算法的應用

在生成FFN SR Tree和用于表現樣本排列矩陣的有向十字鏈表后，就能生成和推演出動態的樣本排列圖，算法產生的樣本排列圖（數據上表現為FFN SR Tree，樣本排列矩陣等）有多種用途：

6.1 應用于網絡運作的精確分析

由于攜帶有豐富的描述細胞、傳遞通路、等所處環境的信息，算法可按實際研究需要分別在開啟和關閉延遲時間校準兩種工作模式（參考文獻[33]）下，用于更精細的大腦整體運作分析。

6.2 應用于網絡運作的精確干預

由于攜帶有豐富的描述細胞、傳遞通路、等所處環境的信息，算法可按實際

研究需要分別在開啟和關閉延遲時間校準兩種工作模式（參考文獻[33]）下，用于更精細、通過更多種方法干預大腦整體運作。

6.3 應用于其他各種用途

7 可進一步改進的工作

可改進的工作有如下幾點：

（1）需要注意的一點是，本文介紹的是文獻[1-29]涉及的量化模型的計算機模型，計算機模型是“量化模型的模型”，在描述自然事物和規律的精確度上是有一定損失的，例如在本文介紹的計算機模型中，樹邊類的成員中，邊時間權值TransmitTime，總傳輸延遲LatencyTime，邊連接權值LinkPower等成員定義為Long Double類型的變量，有表數精度、表數范圍等方面的局限性；在有需要進行更精細研究的時候，可按實際研究需要，采用將相關成員定義為符合研究精細程度要求的數據結構類型等方式改進技術，建立符合研究需要的計算機模型。[33]

（2）在程序設計中，需求滿足的優先級順序為“正確性、穩定性、可測性、規范性和可讀性、全局效率、局部效率、個人風格 ”，上面算法采用了遞歸程序的框架設計，先滿足了優先級高的需求，后續可以通過遞歸程序的非遞歸化優化效率。[31] [32]

（3）在計算量大的情況下，通過適當改造，上述算法對應的計算任務可以分拆成多個子計算任務，然后分布到多個系統中計算。[31] [32]

（4）為程序調試方便，個別數據結構設計存在信息冗余，可進一步進行程序的代碼級優化。[31] [32]

參考文獻

[1]謝勤，王乙容.大腦處理信息的過程存儲和重組模型[J].現代生物醫學進展，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.血液循環在大腦信息處理過程中的時序控制作用[J].現代生物醫學進展，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.過程存儲與重組模型[Z].www.sciam.com.cn，2006.（Xie Qin. Model of Process Storing and Recalling[Z].www.sciam.com.cn，2006.）

[4]謝勤.一種關于腦電波起源和含義的觀點[C].中國神經科學學會第七次全國學術會議論文集.北京：科學出版社，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.血液循環在大腦信息處理過程中的時序控制作用整理[C].中國神經科學學會第八次全國學術會議論文集.北京：科學出版社，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.血液循環在大腦信息處理過程中的時序控制作用整理[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絡規模問題[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絡規模問題[C].中國神經科學學會第九次全國學術會議論文集.北京：科學出版社， 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節匯編[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節匯編二[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節匯編三[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節匯編四[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節匯編五[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節匯編六[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節匯編七[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節匯編八[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節匯編九[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節匯編十[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節匯編十一[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節匯編十二[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節匯編十三[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節匯編十四[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節匯編十五[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節綜合報告[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.基于量化模型的對大腦高效可靠處理信息實現機制的分析[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若干認知問題的分析[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節綜合報告[C].中國神經科學學會第十次全國學術會議論文集.北京：科學出版社，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.從信息處理系統的角度研究腦運作機制[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算法連續化及其應用[C].畢業論文，2004.

[31]謝勤.一種可用于腦神經網絡分析的有向網絡分解算法[J].數字化用戶，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.一種可用于腦神經網絡分析的有向網絡分解算法[C].第八屆海內外華人神經科學家研討會論文集.北京：科學出版社，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.用于腦運作分析的前向網絡樣本重組樹生成算法研究[C].電子技術與軟件工程，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）

作者簡介

謝勤（1982-），男，華南理工大學碩士，中國神經科學學會會員，工程師，近年在亞組委信息技術部完成核心信息系統——計時記分和成績處理系統項目實施管理方面的工作，其中計時記分系統投資一億。主要研究方向為計算機科學與工程、人工智能、神經生物學。

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屆亞運會組委會信息技術部 廣東省廣州市 510000

3.廣州生產力促進中心 廣東省廣州市 510000

4.廣州市科學技術信息研究所 廣東省廣州市 510000

5.廣州市科技創新委員會 廣東省廣州市 510000

6.廣州市工業和信息化委員會 廣東省廣州市 510000

7.廣州市科技創新發展戰略研究院 廣東省廣州市 510000