基于XML文件的“存储过程模型”在民航气象结构化数据集成存储中的应用

为高效集成存储航空气象结构化数据,提出一种基于XML文件的"存储任务模型"。根据气象数据的特点,"存储任务"分为"数据收集"、"格式转换"和"集成存储"三个子任务,提取子任务处理过程中所有的参数作为XML文件的元素标签,以一定的方式集中整合。"存储任务"与XML文件一一对应,便于增加、改变、删除不同类型的数据存储。利用基于XML文件的"存储任务模型",可以方便的设计程序完成不同类型结构化数据的存储,提高了存储程序的可移植性和可扩展性。

大脑处理信息的过程存储和重组模型

目的:本文在综合各种已知的客观现象的基础上,对大脑处理复杂信息时候的逻辑原理进行建模。方法:以客观事实为依据,本文提出的基础观点是:由血液循环决定的,大脑中生化环境的周期性变化,是几十亿个脑细胞能够在处理复杂信息的时候协同运作的“基础时钟”。几十亿个脑细胞随着血液循环的“节拍”,呈现出一定的同步运作的规律——脑电波。从而解释了脑电波的产生原理,三种主要脑电波之间的关系。在这个观点的基础上,对大脑的运作的逻辑原理进行建模,对大脑如何感知物理世界的连续过程,在做梦和回忆的时候如何“想起”以前经历过的连续过程和日常中常见的各种心理体验提出解释。结果和结论:所建立的模型能够解释目前作者了解到的各种神经生物生学,解剖学,心理学,比较解剖学现象和实验结果。包括国内外最近的一些实验现象。

血液循环在大脑信息处理过程中的时序控制作用(英文)

自2006年以来,作者已陆续在一些杂志,网站和学术会议上发表一些文章和证据,主要探究如下几个问题:(1)讨论各种脑电波现象的起源,大脑信息处理过程,血液循环三者之间关系。(2)提出了血液循环在大脑处理信息的过程中起到了基础时钟的作用;提出其可能的一个分子机制,其中H+浓度,O_2浓度,微循环系统的工作机制,NMDA受体的H+位点是几个关键因素。(3)大脑如何感知时间的生理机制。提出时间感(或者时间流逝感)其实是一种压感,来源于当血液流经大脑的血管网的时候,造成的压感;而大脑对连续物理过程的感知则是大脑中记录情景(照片)的一个细胞群序列兴奋的信号和压感通过"捆绑效应"整合给人的感觉(即有点像放电影)。在本文中,将对这些观点和证据进行回顾:文章第1节在整体上叙述所建立的脑电波模型,和"血液循环在大脑处理信息上具有时序控制作用"的观点。第2～5节将从各方面给出支持第1节中所叙述模型和观点的证据,并对一些问题进行澄清。第6～8节将该模型应用于解释一些脑电波和神经生理现象,解决目前一些问题(例如α波的起源问题,睡眠的脑电现象等)。

脑处理信息量化模型中网络相关性的分级体系

本文对我们的前期研究建立了量化描述脑信息处理过程的模型^([1-28])进行了梳理,对我们已发表文献[1-33]中涉及脑处理信息时相关网络的讨论再作一次系统的回顾和总结,并探讨量化模型及其网络相关性分级体系的重要启示。

计算机系统的应用及研究

计算机是一种用于协助人类信息处理的工具。计算机科技的发展在推动各学科和行业的发展方面发挥了重要的作用,人类也发展出关于计算机的学科和行业。计算机科技和行业的发展存在着一系列隐忧,应进行深入研究,寻求相应的对策。

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

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 TreesEI算法,升级成的DG-FFN SR Trees-EI算法可用于多种用途。

用于脑运作分析的前向网络样本重组树生成算法研究

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[1-29]。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,本文介绍了怎样将文献[31-32]介绍DG-FFN Trees算法升级扩展为DG-FFN SR Trees算法,升级成的DG-FFN SR Trees算法可用于实现样本排列图的生成。