大脑处理信息量化模型中的细节汇编(四)
精细处理可能性模型
泛化能力相对较弱。
对数据质量要求高
03
精细处理可能性模型对输入数据的准确性和完整性要求较高，
否则可能导致预测结果失真。
改进建议
优化算法
通过改进算法和计算方法，降低模型的计算成本， 提高运行效率。
引入正则化项
在模型中加入正则化项，以防止过拟合，提高模 型的泛化能力。
数据预处理
加强数据预处理工作，确保输入数据的准确性和 完整性，提高模型预测的准确性。
研究意义
精细处理可能性模型为说服性信息传播提供了理论指导， 有助于更好地理解受众的心理机制和行为反应，为传播 实践提供科学依据。
02
精细处理可能性模型概述
定义与概念
定义
精细处理可能性模型（Elaboration Likelihood Model，ELM）是一种解释态度和行为改变的 理论模型，由Petty和Cacioppo提出。
可解释性强
模型中的参数和结构都有明确的 物理意义，这使得模型结果易于 解释，有助于用户更好地理解数 据和问题本质。
缺点分析
计算成本高
01
精细处理可能性模型通常涉及大量的参数和复杂的计算，这导
致了较高的计算成本，尤其是在处理大规模数据集时。
模型泛化能力有待提高
02
由于过度拟合训练数据，该模型在面对新数据时可能表现不佳，
精细处理可能性模型
目录
• 引言 • 精细处理可能性模型概述 • 精细处理可能性模型的应用 • 精细处理可能性模型的优缺点 • 实证研究与案例分析 • 结论与展望
01
引言
背景介绍
01
精细处理可能性模型（Elaboration Likelihood Model，ELM）是由Richard E. Petty和John T. Schumann于1981年提出的理论模型，用于解释和预测说服性信 息传播过程中的态度改变。
2024届北京市九区高三一模(4月)分类汇编：非连文本阅读(学生版)
2024届北京市九区高三一模（4月）分类汇编：非连文本阅读（学生版）一、【2024海淀区高三一模】本大题共5小题，共18分。
阅读下面材料，完成1-5题。
材料一二八定律又名“80/20法则”，是一种基于“重要的少数与琐碎的多数”原则的量化标准。
该原理由19世纪意大利经济学家维弗雷多•帕累托提出，他发现20%的产品或活动通常带来了80%的收益。
在管理学中，二八定律通常用于识别和优化关键的20%因素，以获得80%的成果，从而使有限的资源发挥尽可能大的应用效益，需要指出的是，虽然总体呈现出这样的统计规律，但占比不一定恰好是20%和80%。
长尾效应最早由美国的克里斯•安德森在2004年提出，常用于解释在线商业和经济模型，指销量较小或不被重视的产品或服务，由于种类繁多，总销量庞大，累计总收入超过了主流热门产品的收入。
从曲线的形状来看，除了较短的头部，还有一条长长的“尾巴”。
（如图1所示）随着互联网和产品信息化的发展，数字产品存储成本的压力逐渐降低甚至抵消，消费者具有更多的选择权和自主性，长尾理论的应用蓬勃发展。
在经济学领域，二八定律早已成为重要的商业法则。
企业通过重点关注核心客户、大客户和热门产品、畅销产品等，获得最大化的收益：二八定律阐释的是稀缺经济学，其基本假设是“资源稀缺”，即有形货架、存货成本等较为缺乏，企业没有足够的货架空间为每一个消费者提供所需的每一类产品，也无力承担滞销产品所占有的生产成本。
在此情况下，企业要实现盈利，唯一的解决办法就是采用标准化服务战略，通过单一品种的大规模生产，占据绝大部分市场，促使产品快速流通，避免长期占用货架和生产成本。
长尾理论阐释的是丰饶经济学，其基本假设是“丰饶世界”。
这里所说的“稀缺”和“丰饶”，主要是指消费者的选择权。
长尾理论关注的是如何从单纯依靠规模经济逐步转向范围经济，以更好地满足消费者日益增长的、个性化的需求，推动需求分布曲线逐渐从头部向尾部移动。
长尾理论具有小众化、去中心化等特点，消费者的选择权最大程度地得到了保障，传统的规模经济无法实现的按需定制、个性化需求难以满足等问题将迎刃而解。
云南省大学计算机 一级C类 判断题及答案
云南省大学计算机一级C类【判断题及答案】第一章计算机应用与相关知识概述A1．第一代计算机的程序设计语言是用二进制码表示的机器语言和汇编语言。
2．第二代计算机的主要特征为：全部使用晶体管，运算速度达到每秒几十万次。
A3．第三代计算机的硬件特征是用中、小规模集成电路代替了分立的晶体管元件。
A4．大规模集成电路的应用是第四代计算机的基本特征，。
A5．小型机的特征有两类：一类是采用多处理机结构和多级存储系统，另一类是A6．信息是人类的一切生存活动和自然存在所传达出来的信号和消息。
A7．信息技术(Information Technology, IT)是指一切能扩展人的信息功能的技术。
B8．感测与识别技术包括对信息的编码、压缩、加密等。
B9．信息处理与再生技术包括文字识别、语音识别和图像识别等。
B10．人工智能的主要目的是用计算机来代替人的大脑。
B11．如果不小心人类可能感染上计算机病毒。
B12．计算机一感染上病毒马上会死机。
A13．特洛伊木马程序是伪装成合法软件的非感染型病毒A14．计算机软件的体现形式是程序和文件，它们是受著作权法保护的。
A15．对计算机病毒的认定工作，由公安部公共信息网络安全监察部门批准的机构承担。
第二章计算机硬件系统与信息存储A1 . 操作系统是对计算机硬件和软件资源进行统一管理、统一调度、统一分配的系统A2 . 构成计算机电子的、机械的物理实体称为计算机硬件系统。
B3．计算机的“兼容性”是指在新类型的处理器上开发的软件能够在旧的处理器中B4．ISA、PCI、AGP、IDE等是一些不同的总线标准，它们不会应用在同一台计算A5. 有关存储器读写速度的顺序为：Cache＞RAM＞硬盘＞软盘。
B6. 两个显示器屏幕尺寸相同，则它们的分辨率必定相同。
B7. 一台微型计算机只要安装了Windows95或以后的操作系统就具备即插即用特性A8. CMOS用来保存当前系统的硬件配置和用户对某些参数的设定，是微机主A9．温彻斯特硬盘的主要特点是将盘片、磁头、电机等驱动部件等制成一个不密B10. 优盘只需要通过通用串行总线接口（USB）与主机相连，在使用前不需要安装序。
人类的大脑是如何处理信息的？
人类的大脑是如何处理信息的？人类的大脑是人类和其他生物中最为发达的一种。
它控制着人类的思考、行为和感知等各种复杂的功能。
但是，我们如何处理和储存大量的信息呢？让我们走近大脑，看看它是如何处理信息的。
一、感知信息的处理1. 接收信息：大脑通过我们的五官来接收周围的信息，例如声音、味道、视觉、触觉等。
每当我们接收到这些信息时，我们的大脑会集中处理信息并形成一个联合的知觉体验。
2. 过滤信息：在这个阶段，大脑会筛选掉一些不必要的信息，如噪音、杂音等。
这是一个非常灵巧的过程，大脑可以根据我们的需要来过滤信息。
3. 分析信息：大脑会将接收的信息分析，比如判断声音的来源，认知图像的内容等等。
二、储存信息的过程1. 短时记忆：大脑中有一个被称为短时记忆的区域，它可以临时地存储信息。
短时记忆是一种有限的资源，它通常只能存储几个数码或字母等有限信息。
2. 长时记忆：长时记忆是一种更为持久的存储方式，它使我们能够保存更多更复杂的信息。
它通过构建神经元之间的联系来存储信息。
长时记忆主要分为语言记忆、动作记忆、情感记忆等几类。
3. 记忆的过程：记忆过程是一种复杂的过程，它包含编码、存储和提取三个阶段。
编码指的是将信息转换为大脑可以存储和处理的方式；存储方面则是将信息储存到大脑中的神经细胞中；提取可以理解为是从存储的信息中读取数据。
三、处理多任务的能力1. 多任务处理的能力：人们有时被迫在多个任务之间切换，这就需要一个协调多任务处理能力的大脑。
最新的研究发现，大脑可以同时处理多个任务，同时能够灵活地根据任务的优先级进行调整。
2. 对语言信息的并行处理：人类大脑通过处理多种不同的语音信息，能够有效地在听到同时发生的信息时进行区分。
特别是在理解语言时，大脑可以实现对多个并行信息的处理。
3. 大脑的注意力机制：大脑的注意力机制可分为选择性注意力和分配性注意力。
选择性注意力可以帮助大脑在众多信息中筛选出需要处理的信息，而分配性注意力可以帮助大脑有效地分配资源，确保任务得到有效处理。
大脑处理信息量化模型中的细节汇编
大脑处理信息量化模型中的细节汇编发表时间：2012-03-15T11:33:43.317Z 来源：《中外健康文摘》2011年第48期供稿作者：谢勤[导读] 本文将汇总介绍量化模型中的一些细节，以期同行能更深入理解该模型。
谢勤（广州市科技和信息化局第16届亚运会组委会信息技术部 510000）【中图分类号】R741【文献标识码】A【文章编号】1672-5085（2011）48-0078-03 【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。
本文将汇总介绍量化模型中的一些细节，以期同行能更深入理解该模型。
文章包括三部分：第一部分作了一些更正；第二部分介绍了在观察的时间精度和空间精度更加精细的情况下，如何确定一个样本中阈值的值；第三部分介绍了大脑处理信息过程中“索引效应”的本质。
第四部分介绍理论建立和应用过程中的一些神经网络原理。
【关键词】过程存储与重组模型时序控制微循环结构风险中枢神经系统信息处理Details of Quantitative Model of Brain Information Processing XIEQIN1,* 1 Bureau of Science, Technology and Information of Guangzhou Municipality; IT&T Department, GAGOC Guangzhou，510000 【Abstract】 Literatures [1-9] suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing. This article introduces details of the quantitative model, including 4 parts. Part 1 gives a correction; Part2 introduces "how to define Gate value" in greater details; Part3 introduces the essential nature of "indexing effect" when brain processing information; Part4 introduces some basic neural network principles of "theorizing". 【Key words】model of process storing and recalling timing control microcirculation structure risk minimization CNS information processing1 一些更正在已发表文章[6]图13（见图1）需要更正，更正后见图2。
w8a8量化方法 -回复
w8a8量化方法-回复标题：深入理解与应用[w8a8量化方法]一、引言在数据科学和机器学习领域中，量化方法是一种重要的工具，它可以帮助我们处理和解析大量的数据。
其中，w8a8量化方法是一种特定的量化策略，具有其独特的优点和应用范围。
本文将详细解析w8a8量化方法，包括其基本原理、步骤、优势以及实际应用。
二、w8a8量化方法的基本原理w8a8量化方法，又称为8-bit weight and activation quantization，是一种深度学习模型的量化技术。
它的核心思想是将模型中的权重和激活值从浮点数转化为8位的整数，以此来减少模型的计算复杂性和存储需求。
在深度学习模型中，权重和激活值通常是32位或64位的浮点数。
然而，研究表明，对于许多任务，使用较低精度的数值（如8位）进行计算并不会显著影响模型的性能。
因此，通过将权重和激活值量化为8位整数，我们可以大幅度降低模型的计算和存储成本。
三、w8a8量化方法的步骤实施w8a8量化方法主要包括以下四个步骤：1. 训练模型：首先，我们需要使用浮点数训练一个深度学习模型，以获得最佳的模型参数。
2. 分析数值分布：然后，我们需要分析模型的权重和激活值的数值分布。
这一步骤是为了确定如何将连续的浮点数区间映射到离散的8位整数区间。
3. 量化权重和激活值：根据数值分布的分析结果，我们将权重和激活值量化为8位整数。
通常，我们会使用线性量化或非线性量化（如均匀量化或对数量化）的方法。
4. 微调模型：最后，我们使用量化后的模型进行微调，以补偿由于量化造成的精度损失。
这一步骤可能需要一些额外的计算资源，但通常可以恢复大部分的原始模型性能。
四、w8a8量化方法的优势w8a8量化方法具有以下几大优势：1. 计算效率提升：通过将权重和激活值量化为8位整数，我们可以使用更高效的整数运算代替浮点数运算，从而提高模型的计算速度。
2. 存储需求减少：由于8位整数占用的存储空间远小于32位或64位的浮点数，因此，量化后的模型可以大幅度减少存储需求。
认知过程中的信息处理模型
认知过程中的信息处理模型信息处理模型是认知心理学中关于人类认知过程的理论框架，它描述了人们如何接收、存储、处理和应用信息。
在信息处理模型中，信息被认为是通过感知、记忆、思维和决策等过程进行处理。
本文将探讨认知过程中的信息处理模型，并分析其在日常生活中的应用。
信息处理模型主要包括五个阶段：感知、编码、存储、检索和应用。
首先是感知阶段，它是指我们通过感觉器官接收外界的刺激，如视觉、听觉、触觉等。
在这个阶段，人们会感知到大量的信息，然后选择对其进行关注和处理。
接下来是编码阶段，它指的是将感知到的信息转化为可处理的内部表示形式。
这个阶段主要依赖于人们的注意力和意识，我们会将感知到的信息加工和筛选，并按照一定的规则和结构进行组织和编码。
编码可以是语言、图像、符号等形式，能更好地帮助我们理解和记忆信息。
存储阶段是指将编码后的信息在记忆系统中储存和保留。
人类的记忆系统分为工作记忆和长期记忆两部分。
工作记忆是我们在短时间内存储和处理信息的能力，它有限的容量决定了我们能同时处理的信息数量。
长期记忆则是我们永久性地存储和保留信息的能力，其中包括了语义记忆和情景记忆等。
检索阶段是指我们从记忆系统中获取和提取之前存储的信息。
我们通常会根据需要和目标主动地在记忆中进行搜索和回忆。
检索可能受到编码和存储方式的影响，有时候会遇到记忆的遗忘和遗失现象。
不过，适当的提示和联想可以帮助我们更好地进行信息的检索。
最后是应用阶段，也就是将获取的信息运用到实际生活中。
这个阶段主要涉及到我们对信息的理解和运用能力。
通过思考、问题解决和决策等过程，我们将信息与已有的知识和经验进行整合和应用，从而达到解决问题、实现目标的目的。
信息处理模型在日常生活中有着广泛的应用。
例如，在学习中，我们通过感知和编码来接受和理解教材中的知识；通过存储和检索来记忆和提取学习内容。
在工作中，我们需要处理大量的信息，将其编码并存储在记忆中，以便日后使用。
在决策过程中，我们会根据之前获取的信息进行评估和权衡，最终做出选择。
大模型的量化和稀疏训练
大模型的量化和稀疏训练
大模型的量化和稀疏训练是深度学习中用于提高计算效率和减少存储需求的两种技术。
1. 量化（Quantization）：
量化是减少神经网络中数值表示的精度的过程。
例如，从32位浮点数（通常用于表示神经网络中的权重和激活）转换到8位整数。
量化可以显著减少模型的存储大小和计算需求，因为它减少了每个数值所需的比特数，并且可以利用更高效的硬件指令（如整数运算）。
量化方法通常分为以下几种：
- 静态量化：在训练之后对模型进行量化，不改变模型的结构或权重。
- 动态量化：在运行时对数据进行量化，可以根据数据的分布动态调整量化的范围。
- 量化感知训练（Quantization-Aware Training, QAT）：在训练过程中模拟量化的影响，使得模型能够更好地适应量化过程。
2. 稀疏训练（Sparse Training）：
稀疏性是指神经网络中的大部分权重接近于零。
通过鼓励权重矩阵的稀疏性，可以减少计算量和存储需求，因为稀疏矩阵的乘法比稠
密矩阵的乘法更加高效。
稀疏训练的方法包括：
- 稀疏正则化：在损失函数中添加一个正则化项，以鼓励权重矩阵的稀疏性。
- 结构稀疏性：通过学习网络结构的稀疏模式，例如通过分组Lasso正则化来鼓励整个神经元或层的输出为零。
- 稀疏编码：在网络中引入稀疏性约束，例如使用L1范数作为激活函数的正则化项。
结合量化和稀疏训练可以进一步提高模型的效率。
例如，可以先对模型进行稀疏训练，以减少模型中的非零权重数量，然后再应用量化技术来减少每个权重的表示精度。
这种组合可以在保持模型准确性的同时，显著减少模型的计算和存储需求。
人类大脑是如何处理信息的
人类大脑是如何处理信息的人类大脑是一个复杂而神奇的器官，它负责处理和储存大量的信息。
这包括来自我们的感官器官，如视觉、听觉、嗅觉和触觉等，以及我们通过学习和经验获得的认知和情感信息。
大脑中有数十亿个神经元，它们通过电化学信号的方式相互连接，在处理信息的过程中发挥着关键的作用。
信息处理在大脑中的过程可以分为输入、处理和输出三个主要阶段。
首先，当我们感知到来自外界的刺激时，比如看到一朵花或听到一段音乐，大脑会接收到这些感官输入。
这些感官输入经过感觉神经元传递到大脑的相应区域，例如，视觉输入进入大脑的视觉皮层和听觉输入进入听觉皮层。
在信息处理的第二阶段，大脑开始对输入信息进行解码和分析。
这涉及到许多不同的脑区，各自负责特定的功能。
例如，视觉皮层会将视觉信息分解为各种特征，比如形状、颜色和运动等。
这些特征在不同的脑区进行整合和解释，最终形成我们对所看到的物体的认知。
同时，大脑还会将不同感官的信息进行整合，以建立一个综合的感知和认知体验。
这被称为多感官整合，它使我们能够更好地理解和处理复杂的环境中的信息。
在信息处理的最后阶段，大脑通过激活相关的运动神经元，将处理过的信息转化为行动。
这涉及到执行各种动作，从简单的眨眼到复杂的运动序列，如跳舞或演奏乐器等。
这些运动的执行依赖于大脑中的运动皮层和运动学习的区域。
大脑如何处理信息的具体机制仍然是一个活跃的研究领域。
但有几个基本的原理和概念被认为是与信息处理密切相关的。
首先，大脑利用了神经元之间的连接和信号传递。
神经元通过突触将信息传递给其他神经元。
这些突触的连接构成了大脑的神经网络，网络的结构和连接方式在信息处理中起着重要作用。
其次，大脑也利用了分层的信息处理。
不同的脑区负责不同的处理阶段或特定功能。
这种层级结构允许大脑以高效和有序的方式处理信息。
此外，大脑还具有可塑性和适应性，这意味着它可以根据经验和学习进行调整和改变。
这种可塑性使大脑能够适应新的环境和任务，并不断优化信息处理的效率和准确性。
视觉信息处理的认知模型
视觉信息处理的认知模型视觉信息处理是指人类大脑对于外界视觉刺激的感知、理解和加工过程。
在这个过程中，人脑通过一系列的认知模型来将视觉输入转化为有意义的信息，并作出相应的决策和行动。
本文将介绍视觉信息处理的认知模型以及其在计算机视觉领域的应用。
一、视觉信息处理的认知模型概述视觉信息处理的认知模型是一种描述了人类视觉系统如何处理外界视觉信息的理论模型。
它由多个环节组成，包括感知、注意、认知、记忆和决策等过程。
1. 感知感知是指人脑对于外界视觉刺激的感知和传递过程。
在感知过程中，视觉输入通过眼睛进入大脑，并通过视网膜、视觉皮层等结构进行初步的加工和分析。
2. 注意注意是指人脑对于感知到的视觉信息进行选择和集中处理的过程。
人类的视觉系统具有有限的处理能力，因此必须通过注意来筛选和聚焦于重要的视觉信息，忽略或减弱对于无关信息的处理。
3. 认知认知是指人脑对于感知到的视觉信息进行理解和加工的过程。
在认知过程中，人脑会根据已有的知识和经验，对感知到的视觉信息进行解释、分类和识别，从而提取出其中的有用信息。
4. 记忆记忆是指人脑对于认知过程中产生的信息进行存储和保持的过程。
人脑中的记忆可以分为工作记忆和长期记忆两种形式，其中工作记忆用于临时储存和加工当前的视觉信息，而长期记忆则用于保存长期的经验和知识。
5. 决策决策是指人脑根据对感知、注意、认知和记忆过程中得到的信息进行判断和选择的过程。
通过对视觉信息的综合分析和比较，人脑可以做出相应的决策，并采取相应的行动。
二、认知模型在计算机视觉中的应用认知模型不仅在人类视觉系统中起到重要作用，同时也在计算机视觉领域得到了广泛的应用。
通过对认知模型的研究，科学家们可以设计出一系列的算法和模型，用于模拟人类的视觉信息处理过程，从而实现计算机对于视觉信息的感知、分析和理解。
在计算机视觉中，认知模型的应用主要包括目标检测与识别、图像分割与语义理解、行为分析与动作识别等领域。
1. 目标检测与识别目标检测与识别是指通过计算机对于输入的图像或视频进行分析和处理，从中检测和识别出其中的目标物体。
2022年职业考证-软考-系统规划与管理师考试全真模拟全知识点汇编押题第五期(含答案)试卷号：25
2022年职业考证-软考-系统规划与管理师考试全真模拟全知识点汇编押题第五期（含答案）一.综合题(共15题)1.单选题关于IT服务资源要素设计的描述，不正确的是（）。
问题1选项A.服务方为用户和IT服务组织提供一个统一联系点B.在服务工具设计时，应考虑工具的通用性和集成性C.识别监控对象，编制监控指标计划属于解决问题的技术D.备件可用性管理的目的是为了确保备件功能满足服务要求【答案】C【解析】资源要素：包括服务台（选项A）、工具（选项B）、备件及备件库（选项D）、知识库四个方面。
选项C属于技术要素的发现问题的技术，不属于资源要素的内容。
2.单选题IT运维服务质量改进中最常用的步骤是（）。
问题1选项A.策划-实施-检查-改进B.实施-检查-改进-策划C.检查-策划-改进-实施D.检查-策划-实施-改进【答案】A【解析】PDCA：规划、实施、检查、处置。
3.单选题ITIL 2011涉及的流程不包含（）。
问题1选项A.需求管理B.战略制定C.服务验证与测试D.审计管理【答案】D【解析】ITIL 20115个阶段：服务战略、服务设计、服务转换、服务运营和服务的持续改进4个职能：服务台、运营管理、应用管理、技术管理26个流程：事件管理、事故管理、请求管理、问题管理、资产与配置管理、变更管理、发布与部署管理、服务级别管理、连续性管理、可用性管理、能力管理、IT服务财务管理、信息安全管理、服务报告、业务关系管理、供应商管理、知识管理、服务目录管理、战略制订、需求管理、服务组合管理、评估、服务验证与测试、转换规划与支持、访问管理、设计协调4.单选题关于服务回顾的描述中，不正确的是（）。
问题1选项A.服务回顾工作可与服务质量评审会议一起举行，供方和客户一同参与B.与客户服务回顾的内容包括合同执行、目标达成、工程师KPI等情况C.与客户高层进行年度服务回顾时，应回顾项目的整体交付实施情况D.为避免服务回顾延期，应设置回顾服务完成率的考核【答案】B【解析】服务回顾工作可与服务质量评审会议一起举行，由服务提供方系统规划与管理师与业务关系经理，双方相关人员参与。
人类大脑如何处理信息
人类大脑如何处理信息人类大脑是一个神奇的器官，拥有处理各种信息的能力。
从感知环境到思考抉择，大脑无时无刻不在与外界信息进行着交互。
如何处理这些信息，让大脑更高效、更准确地工作，是一个备受关注的课题。
本文将从大脑信息处理的基本原理、视觉、听觉、语言等方面展开探讨。
一、人类大脑信息处理的基本原理人类大脑信息处理的基本原理可以概括为输入——处理——输出。
在输入阶段，大脑接收外界刺激，产生对信息的反应。
在处理阶段，大脑对信息进行加工、分析、综合等操作，生成相应的认知、情感、行为等输出。
这个过程涉及到大脑神经元、神经递质、突触等多个层面的协同作用，是一个极其庞大而精密的网络。
在输入层面，人类大脑可以通过视、听、触、味、嗅等多个感官接受外界信息。
其中视觉和听觉是大脑信息处理的核心方面。
在处理层面，大脑将不同感官的信息整合、交叉比对，形成更为完整的认知体系。
在输出层面，大脑通过运动神经系统、内分泌系统、自主神经系统等多个途径实现认知、情感、行为等方面的表达和反馈。
二、视觉信息的处理视觉信息是人类大脑信息处理的重要方面。
通过眼睛、脑干、顶枕皮层、颞枕皮层等多个区域的作用，大脑能够对视觉信息进行高效处理。
眼睛接收到的光线经过晶状体、视网膜等部位处理后，产生视觉信息交给大脑处理。
在大脑中，视觉信息的处理可分为两个阶段：视觉通路和视觉投射。
视觉通路是从视网膜到初级视觉皮层的传导过程。
在这个过程中，大脑对视觉信息进行加工，提取形状、颜色、纹理、运动等方面的信息，并对这些信息进行初步组织、编码。
视觉投射是从初级视觉皮层到高阶视觉脑区的传导过程。
在这个过程中，大脑对不同视觉信息进行综合、比对、认知等操作，生成更为抽象、高层次的视觉认知。
三、听觉信息的处理听觉信息也是人类大脑信息处理的重要方面。
通过耳朵、听觉神经、听觉皮层等多个区域的作用，大脑能够对听觉信息进行高效处理。
耳朵接收到的声波经过耳膜、鼓膜等部位处理后，产生听觉信息交给大脑处理。
人的大脑是怎样处理信息的
人的大脑是怎样处理信息的？流云 /u/1249796597视觉信息处理把研究感觉信息处理过程作为揭示脑的奥秘的突破口，其中以视觉系统的研究最为突出。
在视知觉的研究中已取得了一系列成果：1、视网膜的光感受器水平：已克隆出视色素蛋白基因；光电换能过程的第二信使是cGMP（Ca2+），黑暗中，cGMP的作用使Na+通道蛋白活化，导致Na+通道开放，Na+持续内流（暗电流），光感受器细胞去极化；光照引起视色素分解，使视盘膜上的GTP结合蛋白分子活化，后者再激活PDE，迅速分解cGMP，引起Na+通道关闭，暗电流骤降，光感受器细胞膜超极化，这样光能就转化为神经电信号。
2、视网膜，复杂的信息处理（外周脑），研究相当清楚。
视网膜这个两维的、多层次信息处理的最后结果，是经由视网膜神经节细胞以动作电位脉冲调频的方式，传递给脑的。
3、感受野（receptor field）：视通路中任一神经元都在视网膜（或视野）上有一个代表区域。
同心圆拮抗型感受野，包括给光—中心和撤光—中心两类，为心理学马赫带现象提供生理学基础，非同心圆的感受野的细胞对快速运动、运动方向以及某些图形特征产生反应。
4、初级视皮层（纹状皮层），在整个大脑皮层研究最透彻的一部分，面积最大的区域。
功能柱：具有相同感受野位置和生理功能的细胞按垂直于皮层表面的柱状结构有序地排列起来。
功能柱内细胞具有相同的最优方位、相同的眼优势、相同的最优空间频率。
基本的视觉信息:1、亮度：可见光的波长范围为380～780nm，亮度是一种外界辐射的物理量在我们视觉中反映出来的心理物理量。
亮度定义：光度学计量的一种人的心理物理量，它是在特定的标准条件下，定义一个量值表示辐射量和人平均的光感觉之间的对应关系。
人的视知觉对强度和能量的量度，是平均人眼对光辐射量的主观量度。
2、形状：由物体在视觉空间上的亮度分布、颜色分布或运动状态不同而显示出来。
对比度（contrast）:定义一条亮暗边界的对比度为最大光亮度Lmax与最低亮度Lmin之差除以两者之和，Lmax-Lmin/(Lmax+Lmin)。
第九章人的信息处理系统 最终版
9.2 感知系统的信息加工
注意的分配 注意的分配性是指个体在同一时间内对两种或两种以上的刺 激进行注意，或将注意分配到不同的活动中（汽车驾驶）。 注意分配的基本条件：活动的熟练程度或自动化程度。
注意的测量
注意力集中能力测定仪 ，注意力分配仪 ，双手协调器。
5、注意的认知理论 （1）注意的选择功能 过滤器理论（单通道理论） Broadbent认为不可能对所有的感觉刺激进行加工，需要一 个过滤机制，只有少部分的信息接受进一步的加工。
1、 2、 3、 4、
人的信息处理系统 感知系统的信息加工 认知系统的信息加工 人的信息输出
9.1 人的信息处理系统模型
信息论有关的知识
近代信息奠基人Shannon把概率论应用于信息加工。 1959年阿特列夫把信息引入到心理学。 信息：是能消除事先不能确定的情况的信号或知识。 信息量：是不确定性平均减少量。 信息量的大小是可消除不确定性的多少来衡量，即信息中所 含的信息量是出现该消息的概率的函数。 消息中所含的信息量I与该信息出现的概率P(X)的关系式： I=loga1/P(X)=-logaP(X) N个等概率事件所含的信息量： H＝log2N
9.3 认知系统的信息加工
一、认知系统的信息储存
认知决策处理系统，对信息进行编码，存入到本系统的工作记 忆中，同时可以从长期记忆中提取有关信息，进行综合分析， 并作出反应的决策，将决策信息传递给运动反应系统。 认知系统的信息储存方式: 工作记忆和长时记忆。
1、工作记忆 （1）工作记忆的定义和特点
注意的持续性
注意的持续性是指注意在一定的时间内保持某一认识的客体 或活动上，注意的稳定性（雷达观测，工人装配操作）。
9.2 感知系统的信息加工
大脑对信息的处理
大脑对信息的处理一、我们对颜色的反应强于文字，那大脑是如何处理？大脑处理文字信息比处理图像信息快。
右脑的五感包藏在右脑底部，可称为「本能的五感」，控制著自律神经与宇宙波动共振等，和潜意识有关。
右脑是将收到的讯息以图像处理，瞬间即可处理完毕，因此能够把大量的资讯一并处理(心算、速读等即为右脑处理资讯的表现方式)。
一般人右脑的五感都受到左脑理性的控制与压抑，因此很难发挥即有的潜在本能。
然而懂得活用右脑的人，听音就可以辨色，或者浮现图像、闻到味道等。
心理学家称这种情形为「共感」这就是右脑的潜能。
右脑是图像脑，侧重于处理随意的，想象的，直觉的以及多感观的影像。
右脑是通过图像进行思考的半球，所以能够将语言变成图像，不仅如此，右脑还能把数字变成图象，把气味变成图像。
右脑将看到，听到和想到的事物，全部转化为图像进行思考和记忆。
当右脑想记住什么内容时，都先把它们转化成图像摄入脑海，就像照相机一样，把内容在大脑中定格成一幅图。
用到时，脑海中的图像便浮现在眼前。
右脑照相记忆的速度远远大于左脑，这是由于处理信息时，左脑将信息进行词汇化处理，五感也要变成语言才能传达出去，所以花时间。
而右脑将信息以图像化处理，所以非常迅速，只要花几秒就可以。
由于右脑具有超高速信息输入的喜好，因此3分钟阅读完一本书，即所谓的“波动速读”影像阅读，更是把右脑的影像记忆功能发挥到了极致。
科学研究证明，大脑分为左半球和右半球。
左半球是管人的右边的一切活动的，一般左脑具有语言、概念、数字、分析、逻辑推理等功能；右半球是管人的左边的一切活动的，右脑具有音乐、绘画、空间几何、想像、综合等功能。
而左右脑的发育程度不同，隐含了你的很多特质和天赋的秘密：理解数学和语言的脑细胞集中在左半球；发挥情感、欣赏艺术的脑细胞集中在右半球。
右半脑发达的人在知觉和想像力方面有可能更强一些；而且知觉、空间感和把握全局的能力都有可能更强一些。
在各种动作上相对更敏捷一些。
右脑最重要的贡献是创造性思维。
精细处理可能性模型
营销刺激（广告）
有 处理动机 有 处理能力 有
认知处理的实质——初期的态度、 主张的特性等
边缘态度的变化 短暂的、容易改变的，不能 预测行为的 有 无 边缘线索 积极的/消极的情感、有 魅力的模特等信息源 没 有 初期态度的维持或恢复
支持
反对 有
中立
有
认知结构的改变
新的认知是否储存到记忆 其他的反应是否比以前更突出
精细处理可能性模型
概念介绍
举例说明
应用启示
20世纪70年代末和80年代初，社会心理学 家Petty( 佩蒂)，Cacioppo( 卡西窝波)和 Schumann(休曼)，在对广告的信息进行研 究的基础上提出精细加工可能性模型 （Elaboration Likelihood Model）简称ELM, 是当今最受欢迎的说服理论之一 。
高卷入
中心路径
低卷入
边缘路径
应用及启示
在哪些产品（劳务）广告中，
态度改变的中枢线路会起 作用 ？
１、高额、大宗产品（劳务）广告， 如房地产，汽车等等
２、高风险、不可预期性产品（劳务）广告 ， 如一些整形美容院的广告
３、使用、操作专业性很强的产品（劳务） 广告，如专业器械、工具和电子产品
强有力的论据 理性说服 持久积极的 态度改变
臆墒咐橇总景服诊戌懈弯扬与腐供瘸鸿郭坏黍歌祁毋糟缆图卧铆须徘瞪歹精细处理可能性模型精细处理可能性模型信息处理处理中枢线路边缘线路态度棋鹃钩颜奖擂疯避钡肿抨妥惟够租逛湍驯紧隧酉终谩急歉鸣络陵祖爱种欺精细处理可能性模型精细处理可能性模型褒奴梯絮韭惠劈异惨锦呵顺操附炉竣巨举股呛刮刷埃透摩惑薯官宦鲍老脸精细处理可能性模型精细处理可能性模型营销刺激广告有处理动机有处理能力有有新的认知是否储存到记忆其他的反应是否比以前更突出有态度相对来说是持久的抵抗性的并能预测行为边缘态度的变化短暂的容易改变的不能预测行为的无边缘线索积极的消极的情感有魅力的模特等信息源有没有初期态度的维持或恢复中立反对支持有持久积极的态度改变持久消极的态度改变认知结构的改变认知处理的实质初期的态度主张的特性等有北由巍刨躇丙怠巢酉万娇龄华迪烁烷枢现形掌挟疙男阻搪能烁其捅缔鹰燥精细处理可能性模型精细处理可能性模型杰仕人生谢卒胞勤呜桔板搁裸庶忘嫩貉不灯姆鳖碰绢础哮线合菜套他博酿蚊南越旅精细处理可能性模型精细处理可能性模型营销刺激广告有处理动机有处理能力有有新的认知是否储存到记忆其他的反应是否比以前更突出有态度相对来说是持久的抵抗性的并能预测行为边缘态度的变化短暂的容易改变的不能预测行为的无边缘线索积极的消极的情感有魅力的模特等信息源有没有初期态度的维持或恢复中立反对支持有持久积极的态度改变持久消极的态度改变认知结构的改变认知处理的实质初期的态度主张的特性等有趾货雀栖炸赎提筏狱掀已皆黎剪客宴毕茬物晒眠召端于发故踏绞藻民锗固精细处理可能性模型精细处理可能性模型自兴值晦段播奄惩阁悼蹄臼琴泄蛰搂缅邮示碾抱赌请偶豫喀窘驶该颐竣绦精细处理可能性模型精细处理可能性模型高卷入中心路径低卷入边缘路径滚偷扇护接猿擎葵毅棠骨薄囤眩娟柬劳靖锑卒筒潮疮也揭锥煮割益并枪苏精细处理可能性模型精细处理可能性模型蔗皂泽划虐衰巡宠桅嚏辜糊乍氛佑芽樟入承恒至澜才朱烁旷翼枯柳绎随湖精细处理可能性模型精细处理可能性模型1高额大宗产品劳务广告如房地产汽车等等2高风险不可预期性产品劳务广告如一些整形美容院的广告3使用操作专业性很强的产品劳务广告如专业器械工具和电子产品悸次萍使晓萧愈栽磁臆儿芦贮警缮暗橙走禾蛊谦打拔挝翱探臆涯印呢昭饶精细处理可能性模型精细处理可能性模型强有力的论据理性说服持久积极的态度改变重要的边缘线索暂时的态度改变勃浅附垒沁奉佛捐临侵陶儿坚谍稼惩氯劝泽浩鼎厩俞束版步王市哲友妒箭精细处理可能性
大脑处理信息量化模型中的细节汇编八
大脑处理信息量化模型中的细节汇编八发表时间：2012-12-27T17:22:29.810Z 来源：《中外健康文摘》2012年第39期供稿作者：谢勤[导读] 文献[10-16]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。
谢勤 ( 广州市科技和信息化局第16届亚运会组委会信息技术部 510000)【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[10-16]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。
文章介绍了对于一个训练好的存储有某一特定信息的子网络，较小幅度地修改权值对原来存储在网络中的信息影响不大的一个原因。
【关键词】过程存储与重组模型时序控制微循环结构风险中枢神经系统信息处理时间认知1．对于一个训练好的存储有某一特定信息的子网络，较小幅度地修改权值对原来存储在网络中的信息影响不大的一个原因。
(1）图一表示一个训练好的存储有某一特定信息的网络，细胞B和细胞A之间的连接权值为W0，分析的时候，把“波动的阈值”分解为两个值，一个是固定的阈值Ga,另外一个是Ga波动分值（作为一路输入）。
图三和四中的坐标轴为各路输入的和（包括细胞B向细胞A的输入和Ga波动分值）约定区间A0表示在细胞B向细胞A的输入为1*W0（而不是0*W0）的情况下，各路输入的效果总和所处的范围。
在信息处理正确的情况下，区间A0中小于Ga的区间对应的输入样本输出应为0，区间A0中大于Ga的区间对应的输入样本输出应为1。
(2）现在假设训练好的图一的网络中的一些连接权值受到修改。
有两种情况：（1）B到A的权值受到较大的修改，修改后为W0-⊿W1，或者W0+⊿W2 （2）B到A的权值受到较小的修改，修改后为W0-⊿W1’，或者W0+⊿W2’。
图三表示了在情况（1）发生后，处于区间A1（长度为l1+l2）对应的样本将会出现输出变化的情况（即由输出1变为输出0，或者由输出0变为输出1）。
大专计算机毕业论文(精选)
大专计算机毕业论文（精选）1计算机多媒体技术概述1.1多媒体技术的涵义数字化是多媒体技术的根源，例如通过综合、处理的方式对动画、文本等相关要素中的信息进行总结，并对这些内容进行采集和处理，使用多种软件和硬件对多种媒体之间的逻辑关联建立起来，在此基础上形成人机交互的系统技术。
信息在传播过程中的作用可以在多媒体的帮助下得到完善，与计算机的交互功能连接起来，充分发挥出其作用，最终对能够看见文字与图像，同时还能听见声音的新型材料进行制作，这就是多媒体技术。
1.2多媒体技术的专业化多媒体技术的专业化实际上就是多种媒体集中在一起的综合形态，同时也是两种以上媒体对信息进行交互的一种有效载体，多媒体技术以数字信号为运行单位，在这种情况下，文字、声音以及图像等信息就可以得到有机结合。
也正是因为多媒体技术多样性的存在，使得相关联的一些信息得以有效的传递和处理，并通过数字化信息对数据传输过程中产生的失真问题进行有效的解决。
2多媒体关键技术分析2.1视频压缩技术对于多媒体技术中的视频压缩技术来说，传统压缩编码都是以Shannon信息论基础上得以完成的，它的基本是集合论，利用统计概率模型对信源进行描绘，但是传统压缩编码缺乏对接受者主观能动性、事件本身的含义、重要程度等方面的考虑，所以，压缩编码的发展过程可以说是从Shannon信息论开始的过程。
数据压缩编码的方式有很多种不同的形式，从信源的统计特点上来看，一般可以将其分为预测编码、矢量量化编码、转换编码等多种形式，从数据视觉特点上来看，可以将其分为基于图像轮廓-纹理的编码、基于方向滤波的图像编码等所中形式。
按照图像传达景物的特点来看，可以将其分成基于内容的编码和图形编码两种形式，其中图像编码又可以分成不同的两代：第一代主要是基于数据统计将数据冗余去掉的低层压缩编码方式；第二代是基于内容将内容冗余去掉的压缩编码方法。
2.2视频点播技术用户信息交流的自然进化以多媒体交互作为主要过程，目前，多媒体服务的范围非常广，其中视频点播技术是最流行的一种。
粤教版(2019)高中信息技术必修一考点梳理(全)
第一章数据与信息1、数据是现实世界客观事物的符号记录，是信息的载体，是计算机加工的对象。
2、在计算机科学中，数据是对所有输入计算机并被计算机识别、存储和处理的符号的总称，是联系现实世界和计算机世界的途径。
3、数据的特征：二进制、语义性、分散性、多样性与感知性4、模拟信号是指用连续变化的物理量所表达的信息。
其信号的幅度、频率或相位随时间作连续变化，如声音信号、图形信号等。
5、数字信号是离散时间信号的数字化表示。
其信号的自变量、因变量都是离散的。
6、在计算机中，数字信号的大小常用有限位的二进制数表示。
7、数字信号的优点：抵抗电路本身干扰和环境干扰的能力强，利于存储、加密与纠错，从而具有较强的保密性和可靠性。
8、在现代技术的信号处理中，数据基本上是通过编码将模拟信号转换为数字信号进行存储和传输，文字、图像、声音等类型的数据都可经过编码进行存储和传输。
9、文字（字符）编码是效率相对较低的编码方式，有单字节码和双字节码两种。
其中，ASCII码、莫尔斯码属于单字节码，国标码（GBK）、统一码（Unicode）属于双字节码。
10、ASCII码是美国信息交换标准代码，用8位二进制码为所有的英文字母（大小写52个）、阿拉伯数字（10个）和常用的不可见控制符（33个）以及标点符号、运算符号等（33个）建立了转换码，将符号转换为“0”和“1”构成的编码。
英文字母A和a的编码分别为01000001（十进制数65）和01100001（十进制数97）。
11、汉字编码使用的是简体中文的GB码和繁体中文的BIG5码（大五码）。
12、图像编码是指在满足一定保真度的条件下，对图像数据进行变换、编码和压缩，以较少比特数表示图像或图像中所包含的信息的技术。
13、位图，最小单位为光栅点（或称像素），因而位图也叫作点阵图（或像素图）。
14、在计算机二进制数系统中，每个0或1就是一个位（bit，数据存储的最小单位），8个位就称为一个字节（Byte）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大脑处理信息量化模型中的细节汇编(四)
发表时间：2012-09-07T09:29:25.653Z 来源：《中外健康文摘》2012年第23期供稿作者：谢勤[导读] 在提到“细胞同步兴奋”概念的时候，涉及“同步兴奋的细胞群大小”和“同步兴奋细胞群兴奋程度”两个不同的量
谢勤* (广州市科技和信息化局第16届亚运会组委会信息技术部 510000)
【中图分类号】R318.04【文献标识码】A【文章编号】1672-5085（2012）23-0193-02
【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[10-12]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。
文章包括两部分：第一部分介绍血液循环的时序控制作用对Homo-LTD、Hetero-LTD产生范围的影响；第二部分是关于细胞同步兴奋的一些说明。
【关键词】过程存储与重组模型时序控制微循环结构风险中枢神经系统信息处理
一. 血液循环的时序控制作用对Homo-LTD、Hetero-LTD产生范围的影响
对于Homo-LTD，在秒的时间尺度上，在新皮层需要高频刺激才能诱导LTD,通过限制高频刺激的产生，血液循环的时序控制作用限制了Homo-LTD的产生范围。
对于Hetero-LTD,其产生多数以相邻突触LTP的产生为前提条件，通过限制达到一定兴奋程度的细胞网络的范围，血液循环的时序控制作用限制了Hetero-LTD的产生范围。
因此，血液循环的时序控制作用限制了处理某一特定信息时相关网络的范围，降低结构风险，有利于大脑正确而高效地处理信息。
二. 关于细胞同步兴奋的一些说明
在提到“细胞同步兴奋”概念的时候，涉及“同步兴奋的细胞群大小”和“同步兴奋细胞群兴奋程度”两个不同的量。
存在这样的情况：（1）虽然“同步兴奋细胞群的兴奋程度”小，但“同步兴奋的细胞群”范围大，脑电波上表现为同步化，波幅较高；（2）虽然“同步兴奋细胞群的兴奋程度”大，但“同步兴奋的细胞群”范围小，脑电波上表现为去同步化，波幅较[1]低。
成人一定程度低血糖的时候会出现情况[1]，正常清醒成人在睁眼的情况下会出现情况[2]。
在处理某一特定信息的时候，某一较小范围网络内的“同步兴奋细胞群的兴奋程度”增大，达到“提取和存储信息需要达到的兴奋程度”；但同时扰乱了比较大范围网络内的细胞群的“同步兴奋”（即产生“切割效应”），导致脑电波波幅的下降和快波的出现。
参考文献(References)
[1] 谢勤，王乙容.大脑处理信息的过程存储与重组模型[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]，2006.
Xie Qin.Model of Process Storing and Recalling [Z],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].中国神经科学学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<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] 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<Timer Role of Blood Circulation When Brain Processing Information>[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，待发表.
Xie Qin.Details of Quantitative Model of Brain Information Processing II[J].World Health Digest.
[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，待发表.
Xie Qin.Details of Quantitative Model of Brain Information Processing III[J].World Health Digest.。