论文部分内容阅读
【摘 要】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。本文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
【关键词】过程存储和重组模型 时序控制 脑电波 微循环 结构风险 中枢神经系统 信息处理 微环路 时间认知 智力起源 大脑量化模型 前向网络树
一、从信息处理系统的角度研究脑运作机制
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”和“系统组成原理”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、量化描述大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，在研究大脑运作机制的时候，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，提出了血液循环在大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；建立描述大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]。
為方便同行阅读，我们在2013年也整理发表了系列综合报告[25-28]。
上面的文字已经发在我们以前的文章中[29]。
二、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。本文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。
本文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]。
（一）第一节 算法需求分析总结
需求1：将有向图分解为一系列树集合，为每个节点都生成一个以这一节点为根节点的树，前向网络的反馈回路相关的扩维次数可控，前向网络从输入细胞到输出细胞的时间最长时间可控。
说明：脑神经网络可以看成一个有向网络：节点表示细胞，边表示细胞间连接，细胞间能双向传递信号的连接可以用两条边表示；在有需要进行更精细化量化分析的时候，可以增加节点类和边类的成员、等描述系统属性、行为、等；等。生成的每个前向网络由于后面叙述的原因可以用树结构表示。对有反馈回路的图分解过程中，按论文[1-20]的量化方案将进行扩维处理，因反馈回路的存在，可能进行多次扩维，最大扩维的次数应该可控、不会无限制扩维。按论文[1-20]量化方案，生成的树的边的中有传输延迟，从树的根节点到叶子节点路径总传输延迟可控。
需求2：算法完成和反馈回路处理相关的扩维处理，两节点间多通路相关的扩维处理，使每个生成的前向网络实际可以用树结构表示，称为前向网络树，FeedForward Network Tree，简称FFN树。
说明：按论文[1-20]的量化方案，网络分解过程中对网络中存在反馈回路和两节点中存在多通路的情况进行扩维处理，使每个生成的前向网络实际上可以用树结构表示。
（二）第二节 若干相关概念
1.递归空间的分类：一代递归空间和后代递归空间：
递归空间是指某一个有递归调用区的程序在某一次调用它的递归调用区时，为其递归调用区所建立的进程对应的系统资源的集合。一代递归空间是指程序第一次进入递归调用区和与其有相同递归深度的递归调用区时为执行递归区代码所建立的进程对应的系统资源的集合。而该程序以后进入更大深度的递归调用区时为执行递归区代码所建立的进程对应的系统资源集合都属后代递归空间。[30] 2.BaseTable 标识符 和 Space标识符
它是本论文引入的一种标记符号，它的格式是：
Space（ k， i ） 是在k代递归空间集中产生的FFN所有子树在程序返回上一代递归空间时都要以 i 为根节点的父节点的那一个递归空间。Space（ k， i1 ）和Space（ k， i2 ）是具有相同递归深度的递归空间，都叫k代递归空间。
BaseTable（ k ， n ） ， k 表示该 BaseTable是在第k 代递归空间产生的，假设BaseTable（k，n）是在Space（k，i）中产生的，则n表示BaseTable（k，n）是在k代空间中为对应有边直接到节点i的节点n产生的 BaseTable。由BaseTable（ k ， n ） 为基础产生的所有FFN子树在返回k代空间时将以 n为根节点的父节点 。
3.Space类 和 BaseTable类 的重要成员介绍：
Space类：Space（k，i） 的k，i成员含义前面已经有介绍；有一个Length成员，用于存储FFN树的根到当前递归空间对应i节点的路径中，经过的路径长度总和，可以是传输时间延迟长度总和；有一个ChildrenTable，存储了有边直接连接到节点i的节点，这些点在生成的FFN树中可能成为i节点的孩子节点；有一个ResultTreeList成员，用于存放一系列结果树，具体作用见后面叙述。在有需要更精细建模时可增加成员、等。
BaseTable类：BaseTable（k，n）的k，n成员的含义前面已经有介绍；一个是BaseLength，从FFN树的根节点到BaseTable（ k ， n ）对应的节点n的长度总和，可以是传输时间延迟总长；有一个Result成员，以n节点为根节点，由BaseTable（k， n）产生的后代递归空间Space（k+1，n）返回的子树的根节点作为n节点的孩子节点。在有需要更精细建模时可增加成员、等。
4.GenerationSign 标识符：
为了在程序中实现对不同类型的递归空间采用分治策略，我们必须使程序能够“感知”自己所处的递归空间，因而设立int类型变量GenerationSign。[30]
5.图类：
脑神经网络可以采用有向图建模描述：节点表示细胞，边表示细胞间连接，
能双向传递信号的细胞间连接可以用两条边表示；在有需要进行更精细化量化分析的时候，可以增加图节点类和边类的成员、等描述系统属性、行为、等；等；从而建立符合分析需要的神经网络模型。
（三）第三节 控制总传输延迟长度、扩维次数的关键和后代递归空间的数据传输关系
1.从第二节定义我们已知，以BaseTable（ k ， i ） 为基础找出的子树在程序返回Space（k， i 1）时会以节点 i为根节点的父节点。
2.后代递归空间结构和后代递归空间之间的数据传输关系如图1所示：
3.分析图一可以看出，实现总传输延迟长度控制和最大扩维次数控制的关键在于控制好用于产生下一代递归空间的BaseTable，避免不受限制地递归产生BaseTable和后代递归空间。实际上，实现了总传输延迟长度控制后，最大扩维次数就受到了限制，不会无限制增长。
（四）第四节 后代递归空间中控制前向网络扩维次数和控制总传输延迟长度解决方案的设计
（五）第五节 后代递归空间的产生、对后代递归空间返回数据的处理
（六）第六节 算法总体流程设计
1.在获得细胞n为输出细胞的前向网络时，可先构造BaseTable（0，n）， 用BaseTable（0，n）生成Space（1，n），然后，递归执行第四节到第五节介绍的流程，可获得以细胞n为输出细胞的前向网络树。
2.对图中的每个节点都执行一所描述的操作，可获得一系列前向网络集合，完成网络分解工作。
（七）第七节 所设计算法特点
上面算法设计的主要特点有：
特点一，问题分析过程比较条理，能满足算法需求
特点二，在计算量大的情况下，这种思路设计的算法对应的计算任务可以：
1.按树形的递归空间结构自然分拆成多个子计算任务，然后分布到多个系统中计算。
2.在节点数量多的情况下，可以将网络分解对应的计算任务分布到多个系统中计算，将所有节点划分为多个子集，每个系统负责生成以一个节点子集中的节点为输出细胞的前向网络子集合。
（八）第八节 可进一步改进的工作
1.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。
2.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按第七节介绍的方法分拆成多个子计算任务，然后分布到多个系统中计算。
3.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碼级优化。
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].中国神经科学學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[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[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] 谢勤.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： Science Press. 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] 謝勤.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].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XII [J]
[22] 谢勤.大脑处理信息量化模型中的细节汇编十三[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XIII [J]
[23] 谢勤.大脑处理信息量化模型中的细节汇编十四[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XIV [J]
[24] 谢勤.大脑处理信息量化模型中的细节汇编十五[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XV [J]
[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].ForAllHealth，2013，7（11）：6-9 wanfangdata Online Publish Date： August， 2013 Official Publish Date： November，2013
[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].ForAllHealth，2013，7（11）：11-13 wanfangdataOnline Publish Date： August， 2013 Official Publish Date： November，2013
[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].ForAllHealth，2013，7（11）：14-15 wanfangdata Online Publish Date： August， 2013 Official Publish Date： November，2013
[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
[30] 谢勤.WAP算法连续化及其应用.毕业论文，2004
作者简介：
谢勤，（1982-），男，华南理工大学硕士，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：计算机科学与工程，人工智能，神经生物学。
【关键词】过程存储和重组模型 时序控制 脑电波 微循环 结构风险 中枢神经系统 信息处理 微环路 时间认知 智力起源 大脑量化模型 前向网络树
一、从信息处理系统的角度研究脑运作机制
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”和“系统组成原理”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、量化描述大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，在研究大脑运作机制的时候，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，提出了血液循环在大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；建立描述大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]。
為方便同行阅读，我们在2013年也整理发表了系列综合报告[25-28]。
上面的文字已经发在我们以前的文章中[29]。
二、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。本文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。
本文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]。
（一）第一节 算法需求分析总结
需求1：将有向图分解为一系列树集合，为每个节点都生成一个以这一节点为根节点的树，前向网络的反馈回路相关的扩维次数可控，前向网络从输入细胞到输出细胞的时间最长时间可控。
说明：脑神经网络可以看成一个有向网络：节点表示细胞，边表示细胞间连接，细胞间能双向传递信号的连接可以用两条边表示；在有需要进行更精细化量化分析的时候，可以增加节点类和边类的成员、等描述系统属性、行为、等；等。生成的每个前向网络由于后面叙述的原因可以用树结构表示。对有反馈回路的图分解过程中，按论文[1-20]的量化方案将进行扩维处理，因反馈回路的存在，可能进行多次扩维，最大扩维的次数应该可控、不会无限制扩维。按论文[1-20]量化方案，生成的树的边的中有传输延迟，从树的根节点到叶子节点路径总传输延迟可控。
需求2：算法完成和反馈回路处理相关的扩维处理，两节点间多通路相关的扩维处理，使每个生成的前向网络实际可以用树结构表示，称为前向网络树，FeedForward Network Tree，简称FFN树。
说明：按论文[1-20]的量化方案，网络分解过程中对网络中存在反馈回路和两节点中存在多通路的情况进行扩维处理，使每个生成的前向网络实际上可以用树结构表示。
（二）第二节 若干相关概念
1.递归空间的分类：一代递归空间和后代递归空间：
递归空间是指某一个有递归调用区的程序在某一次调用它的递归调用区时，为其递归调用区所建立的进程对应的系统资源的集合。一代递归空间是指程序第一次进入递归调用区和与其有相同递归深度的递归调用区时为执行递归区代码所建立的进程对应的系统资源的集合。而该程序以后进入更大深度的递归调用区时为执行递归区代码所建立的进程对应的系统资源集合都属后代递归空间。[30] 2.BaseTable 标识符 和 Space标识符
它是本论文引入的一种标记符号，它的格式是：
Space（ k， i ） 是在k代递归空间集中产生的FFN所有子树在程序返回上一代递归空间时都要以 i 为根节点的父节点的那一个递归空间。Space（ k， i1 ）和Space（ k， i2 ）是具有相同递归深度的递归空间，都叫k代递归空间。
BaseTable（ k ， n ） ， k 表示该 BaseTable是在第k 代递归空间产生的，假设BaseTable（k，n）是在Space（k，i）中产生的，则n表示BaseTable（k，n）是在k代空间中为对应有边直接到节点i的节点n产生的 BaseTable。由BaseTable（ k ， n ） 为基础产生的所有FFN子树在返回k代空间时将以 n为根节点的父节点 。
3.Space类 和 BaseTable类 的重要成员介绍：
Space类：Space（k，i） 的k，i成员含义前面已经有介绍；有一个Length成员，用于存储FFN树的根到当前递归空间对应i节点的路径中，经过的路径长度总和，可以是传输时间延迟长度总和；有一个ChildrenTable，存储了有边直接连接到节点i的节点，这些点在生成的FFN树中可能成为i节点的孩子节点；有一个ResultTreeList成员，用于存放一系列结果树，具体作用见后面叙述。在有需要更精细建模时可增加成员、等。
BaseTable类：BaseTable（k，n）的k，n成员的含义前面已经有介绍；一个是BaseLength，从FFN树的根节点到BaseTable（ k ， n ）对应的节点n的长度总和，可以是传输时间延迟总长；有一个Result成员，以n节点为根节点，由BaseTable（k， n）产生的后代递归空间Space（k+1，n）返回的子树的根节点作为n节点的孩子节点。在有需要更精细建模时可增加成员、等。
4.GenerationSign 标识符：
为了在程序中实现对不同类型的递归空间采用分治策略，我们必须使程序能够“感知”自己所处的递归空间，因而设立int类型变量GenerationSign。[30]
5.图类：
脑神经网络可以采用有向图建模描述：节点表示细胞，边表示细胞间连接，
能双向传递信号的细胞间连接可以用两条边表示；在有需要进行更精细化量化分析的时候，可以增加图节点类和边类的成员、等描述系统属性、行为、等；等；从而建立符合分析需要的神经网络模型。
（三）第三节 控制总传输延迟长度、扩维次数的关键和后代递归空间的数据传输关系
1.从第二节定义我们已知，以BaseTable（ k ， i ） 为基础找出的子树在程序返回Space（k， i 1）时会以节点 i为根节点的父节点。
2.后代递归空间结构和后代递归空间之间的数据传输关系如图1所示：
3.分析图一可以看出，实现总传输延迟长度控制和最大扩维次数控制的关键在于控制好用于产生下一代递归空间的BaseTable，避免不受限制地递归产生BaseTable和后代递归空间。实际上，实现了总传输延迟长度控制后，最大扩维次数就受到了限制，不会无限制增长。
（四）第四节 后代递归空间中控制前向网络扩维次数和控制总传输延迟长度解决方案的设计
（五）第五节 后代递归空间的产生、对后代递归空间返回数据的处理
（六）第六节 算法总体流程设计
1.在获得细胞n为输出细胞的前向网络时，可先构造BaseTable（0，n）， 用BaseTable（0，n）生成Space（1，n），然后，递归执行第四节到第五节介绍的流程，可获得以细胞n为输出细胞的前向网络树。
2.对图中的每个节点都执行一所描述的操作，可获得一系列前向网络集合，完成网络分解工作。
（七）第七节 所设计算法特点
上面算法设计的主要特点有：
特点一，问题分析过程比较条理，能满足算法需求
特点二，在计算量大的情况下，这种思路设计的算法对应的计算任务可以：
1.按树形的递归空间结构自然分拆成多个子计算任务，然后分布到多个系统中计算。
2.在节点数量多的情况下，可以将网络分解对应的计算任务分布到多个系统中计算，将所有节点划分为多个子集，每个系统负责生成以一个节点子集中的节点为输出细胞的前向网络子集合。
（八）第八节 可进一步改进的工作
1.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。
2.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按第七节介绍的方法分拆成多个子计算任务，然后分布到多个系统中计算。
3.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碼级优化。
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].中国神经科学學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
[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
[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] 谢勤.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： Science Press. 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] 謝勤.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].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XII [J]
[22] 谢勤.大脑处理信息量化模型中的细节汇编十三[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XIII [J]
[23] 谢勤.大脑处理信息量化模型中的细节汇编十四[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XIV [J]
[24] 谢勤.大脑处理信息量化模型中的细节汇编十五[J].待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing XV [J]
[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].ForAllHealth，2013，7（11）：6-9 wanfangdata Online Publish Date： August， 2013 Official Publish Date： November，2013
[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].ForAllHealth，2013，7（11）：11-13 wanfangdataOnline Publish Date： August， 2013 Official Publish Date： November，2013
[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].ForAllHealth，2013，7（11）：14-15 wanfangdata Online Publish Date： August， 2013 Official Publish Date： November，2013
[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
[30] 谢勤.WAP算法连续化及其应用.毕业论文，2004
作者简介：
谢勤，（1982-），男，华南理工大学硕士，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：计算机科学与工程，人工智能，神经生物学。