课程文献中心 更多>>

关键词： 类脑脉冲神经网络   音乐学习   多脑区协同计算   神经机制  

摘要： 基于类脑脉冲神经网络的音乐学习旨在从多个尺度借鉴大脑在音乐处理方面的工作机制，建立一个类生物的多脑区协同计算模型，从而实现智能计算模型对音乐的学习与创作。有关音乐的研究涉及多个方面，例如记忆、认知、运动、情绪和心理等等。无论在神经科学领域还是在人工智能领域，音乐学习都是重要的研究课题。神经科学领域的相关研究表明，音乐是一种复杂且具有时间特性的声音刺激，人脑中多个功能区域会参与音乐信息的处理。同时，神经科学研究者们也从多个尺度上研究了相关脑区的结构功能及其之间的协同机制。神经科学领域在音乐研究方面的突出贡献促使我们研究新的人工智能方法去理解和应用与音乐有关的科学问题。　　受大脑在音乐处理方面神经机制的启发，本文构建了一个多尺度的类脑脉冲神经网络模型，主要研究与探讨音乐的感知、记忆、知识的表征与学习以及音乐创作几个问题。在微观层面上，本文借鉴生物神经元的放电特性，分别为兴奋性神经元和抑制性神经元建模，并利用生物大脑中突触的可塑性神经机制来调节神经网络。在介观层面上，本文参考了大脑在音乐处理时涉及的脑区及脑区间的环路，模拟了多个脑区及其之间的环路，形成了一个多脑区协同的神经网络，通过激活不同的脑区及其环路，实现了音乐的感知记忆与学习等多项任务。在宏观层面上，本文参考人类在音乐方面的行为活动，实现了音乐回忆、节奏调控和作曲等类人认知任务。基于以上研究，本文的创新点总结如下:　　第一，通过借鉴大脑在音乐感知与记忆方面的神经机制，构建了一个类脑脉冲神经网络的音乐记忆模型。具体而言，本文深入调研了大脑听觉系统对音乐的感知机制以及记忆机制，提出一种基于类脑脉冲神经网络的音乐记忆模型，能够对音乐曲目进行感知编码、记忆与回忆。模型首先借鉴了大脑听觉系统对音符的处理机制，分别对音符的音高以及时长进行编码;其次，受大脑记忆机制的启发，利用突触可塑性学习原理，模型能够对乐曲的音符进行有序学习与存储;此外，模型还实现了两种类人行为模式的音乐回忆，即根据乐曲名回忆乐曲以及根据乐曲片段回忆乐曲。目前根据我们调研的结果，该模型首次将类脑脉冲神经网络用于音乐记忆之上，实现了多个与记忆相关的任务，并具有较高的精确度。与传统算法相比，该模型也具有更强的生物可解释性。　　第二，通过分析与借鉴大脑韵律感知与调控的神经机制，构建了一个类纹状体的脉冲神经网络，实现了大脑在回忆乐曲时的速度调控。具体而言，该模型主要模拟了纹状体中调节韵律的神经元群体，并与记忆网络进行连接;通过调整该类纹状体网络神经元发放脉冲的频率，改变记忆网络中神经元的活动，从而控制回忆乐曲时的韵律与速度。目前根据本文的调研结果，该模型是首次将脉冲神经网络用于音乐韵律调整问题之上，实现了与记忆网络的相互协同，并能够有效的调控网络节奏，在一定程度上实现了行为类人的准则。　　第三，受大脑在进行音乐创作时相关的脑区结构及工作机制的启发，本文构建了一个类脑脉冲神经网络的多风格音乐作曲模型。具体而言，本文构建了一个类脑脉冲神经网络的层次化知识学习网络，在音乐记忆的模型基础上，引用生物神经元模型以及神经元动态生长机制，实现了音乐相关的理论与知识的编码与存储;利用突触可塑性原理以及神经震荡机制，使得知识网络与记忆网络能够动态地进行协同与学习，完成有序音符与音乐知识的联想学习;模型在以上记忆网络以及层次化的知识网络基础上，可根据古典音乐的流派以及不同音乐家的个人特色，创作相应风格的乐曲。通过实验结果及用户评估，该模型生成的大多数旋律都分别具有各流派或各音乐家的特色。目前根据我们调研的结果，该模型是首次将脉冲神经网络用于音乐作曲之上，并实现了不同古典流派，不同音乐家风格的作曲任务。

关键词： 混沌信号   Jordan神经网络   弱脉冲信号检测与估计   Profile最小二乘法  

摘要： 在混沌时间序列的研究中,有一个重要的研究方向就是在混沌信号背景下微弱信号的检测。这一问题是由机械故障诊断问题延伸而来的。对于这样的问题,通常利用混沌信号的特性与统计学中的知识,来剥离混沌噪声,从而达到检测与估计混沌背景下弱信号的目的,所以这类问题研究的重点就是如何使混沌背景噪声得到充分的刻画。由目前的研究可知,混沌现象是一种不断以某种规则重复前一时刻的运动变化状态,从而产生的难以预测的随机现象。在混沌系统中,迭代初值对整个系统有巨大影响,蝴蝶效应一词很好的体现了这一混沌特征。混沌的另一重要特征为短期可预测性,正是这一特性的发现,才使这篇论文有了继续进行的必要。本文使用具有反馈结构的Jordan神经网络对混沌背景下的弱脉冲信号进行检测与估计。首先,查找相关资料与文献,总结并分析相关资料的研究思路及方法。其次,对本文研究内容的相关理论,如混沌相关理论、信号及神经网络等进行阐述。然后,对混沌背景下弱脉冲信号检测问题进行分析与建模,主要步骤为:对观测信号进行相空间重构,对重构后的数据集建立Jordan神经网络模型来剥离混沌背景噪声,再通过检验一步预测误差中是否含有异常点来检测脉冲信号的存在性及位置。然后,对混沌背景下弱脉冲信号估计问题建立SP-Jordan神经网络模型,并用剖面最小二乘法估计混沌背景下的脉冲信号幅度。在使用剖面最小二乘估计模型参数时,其目标函数为极小化建立的SP-Jordan神经网络模型的均方误差。对本文提出的SP-Jordan神经网络估计模型进行仿真实验。在实验中,混沌背景噪声采用Lorenz系统的第一分量或太阳黑子13月平滑月均值,最后,使用R软件编程实现仿真实验。通过仿真实验得到以下结论:(1)Jordan神经网络能够很好地拟合混沌时间序列,并且,从其拟合的残差中,能够轻松的检测出其中存在的弱脉冲信号。对检测模型的检测效果用准确率来进行评估,评估结果证实本文所建立的模型检测效果极佳。(2)本文提出的由单点跳跃模型与Jordan神经网络相结合而成的SP-Jordan神经网络模型能够很好的从混沌背景噪声中提取出脉冲信号,并估计出脉冲信号的幅度,且估计的绝对误差较小,精度都在0.05以下。(3)对于不同强度的脉冲信号,本文建立的模型能够估计的信噪比范围为-60d B到-30d B。(4)与其他神经网络进行对比发现,Jordan神经网络估计的脉冲信号幅度的绝对误差最小,为0.001952,表明其不仅估计精度高且稳定性好。

关键词： 忆阻器   脉冲神经网络   STDP   手写数字识别   序列生成   电路仿真  

摘要： 随着人工神经网络(Artificial Neural Network,ANN)的模型不断变大,其对计算机的存储和读写性能要求越来越高,严重阻碍了人工智能的落地应用。目前解决这一问题的方法主要有三种:一是改进神经网络范式提出更小的网络架构;二是打破冯·诺依曼结构,实现存算一体化;三是利用各类模型压缩手段减少网络参数。忆阻器具有阻值非易失、兼容CMOS、结构简单等优点,有望突破现有微电子技术的瓶颈;而脉冲神经网络(Spiking Neural Network,SNN)作为第三代人工神经网络具有更高的生物可解释性和能效有利于促进人工智能的应用。本文将脉冲神经网络与忆阻器相结合实现了在手写数字识别方面的应用。主要的研究成果如下:(1)成功制备了Pt/HfO/AlO/Ti和Pt/HfO/Ti两种忆阻器件,测量了其直流和脉冲特性并简要分析其阻变机理。重点对叠层器件进行了电热耦合模型仿真,分析并验证了其导电细丝的形成和断裂位置。限制set电流实现了叠层器件的多值存储,并从中选取了7个均匀分布的电导态对神经网络的权重进行映射;设计了特定的脉冲波形使忆阻器模拟实现STDP功能,将所得的时间常数和幅值作为脉冲神经网络离线训练的依据;测量了器件的长时程记忆特性并模拟该特大型对Multi-ReSuMe算法进行改进,将其与神经网络的在线训练结合起来,实现对忆阻器电导的调整。(2)基于忆阻器的STDP参数和Multi-ReSuMe算法实现了手写数字识别,在训练集与测试集上分别取得了96.3%和93.9%的准确率。利用同样的方法完成脉冲序列生成任务,取得相似度第二的成绩。搭建了脉冲神经网络框架。该框架能够实现基于泄露积分点火(Leaky Integrate-and-Fire,LIF)模型的各类训练算法。(3)针对Multi-ReSuMe算法的缺陷,提出了两阶段的训练方法。该方法主要包括两个阶段:一阶段是通过粗粒度训练使得神经网络能够迅速到达激活状态,二阶段则是利用细粒度训练使得神经网络能够发放希望的脉冲序列。利用新算法实现了手写数字识别和特定脉冲序列生成的任务。试验证明,改进后的算法具有较高的准确率和较快的速度,能够较好地完成手写数字识别任务和生成所期望的脉冲序列且通过学习产生的权值具有更合理的分布。(4)基于所制备器件的电学特性和双极性阈值模型进行脉冲神经网络的硬件设计。利用器件测试所得的各类参数完成神经网络的量化、权重的映射及电导调制等功能。最后利用MATLAB进行了仿真,验证了忆阻器实现前向脉冲神经网络的可行性。

关键词： 旋律生成   深度学习   序列变分自编码器   脉冲神经网络  

摘要： 音乐旋律生成算法赋予机器生成旋律的能力,是人工智能在艺术领域上的应用,可用于辅助音乐人的创作,为音乐人提供新的创作思路。近年来,受深度学习的影响生成算法得到了快速的发展。结合了深度学习的生成算法,被称为深度生成算法,利用了深度神经网络超强的表达能力和高维的建模能力。本论文采用端到端的深度生成算法生成长度为16小节的单音旋律,通过改善现有的或探索新的深度生成算法的方式来提高生成旋律的质量。当前用于音乐旋律生成的深度生成算法大部分基于生成对抗网络或变分自编码器。本论文着重研究了基于变分自编码器的音乐旋律生成算法,旨在改善变分自编码器的优化目标以提高生成质量。在SeqGAN的启发下,本论文提出了变分自编码器的一个变体,称其为序列变分自编码器,它可被视为是生成对抗网络和变分自编码器的结合,相较于变分自编码器因添加了策略梯度损失而减少了优化目标的偏差,从而在一定程度上提高了学习能力。最终由实验可得,序列变分自编码器优于基线,能生成旋律性更强、节奏变化更优美的旋律。此外,本论文还探索了脉冲神经网络应用于音乐旋律生成的可能性。脉冲神经网络被认为是第三代人工神经网络,它从底层就考虑了时间维度信息,而音乐旋律是一种时间上下文依赖性强的结构。论文中主要考虑了使用Leaky Integrate-and-Fire替换生成算法中长短期记忆网络的Cell这一方案。论文中还基于Cell提出了 Leaky Integrate-and-Fire的变体。最终变体虽取得了好于原始的效果,但终究没能优于Cell,进而在生成算法中使用Leaky Integrate-and-Fire替换Cell没能提升生成旋律的质量。文中分析了失败的主要原因。最后,为了方便研究成果的展示,本论文基于提出的序列变分自编码器,搭建了人工智能音乐创作平台。

关键词： 四元数神经网络   时滞   鲁棒稳定性   同步性  

摘要： 神经网络作为一门交叉学科,涉及生物学、医学、数学、物理、化学、计算机科学、控制科学、材料科学等学科,已经成为当前科学理论研究的主要热点之一。本文考虑了一类具有传输时滞、泄露时滞、分布时滞的四元数神经网络,通过对连续时间神经网络和离散时间神经网络两种系统进行研究,得到了系统解的存在性、唯一性、鲁棒稳定性和同步性等动力学性质,丰富了神经网络在模式识别、信号处理、计算机仿真和优化控制等领域的应用基础。在论文的第一部分,研究了具有传输时滞、泄露时滞、分布时滞的脉冲四元数神经网络鲁棒稳定性问题。利用同胚映射定理,得到了模型平衡点的存在性和唯一性,通过构造恰当的Lyapunov函数,得到模型平衡点全局鲁棒稳定的充分条件。结论充分考虑了网络连接权值的符号,判别矩阵中的元素同时依赖于区间参数的上界和下界,从研究方法上,对具有时滞的四元数神经网络模型的鲁棒稳定性条件作了推广,结论更具一般性。论文的第二部分,讨论了具有时滞离散时间的四元数神经网络模型。利用压缩映射定理,通过构造离散的Lyapunov函数,巧妙应用不同的不等式放缩技巧以及分析技巧,导出了离散时间四元数神经网络平衡点的存在性,唯一性和全局鲁棒指数稳定性的充分条件。将离散时间的实值神经网络和复值神经网络的鲁棒稳定性推广到四元数神经网络,并对定理的条件在适用范围方面做了改进,降低了系统保守性。论文的第三部分,基于驱动-响应同步方法,分析了具有三种时滞的四元数神经网络同步性问题。设计了一个更广泛应用的控制器,根据控制器得到误差系统,通过Lyapunov稳定性理论和线性矩阵不等式技巧,证明了误差系统是鲁棒指数稳定的。所用方法近无需将其分解为两个复值系统,或者更高维的实数情形,只需直接利用四元数的理论与方法,对已有证明四元数同步性的充分条件进行了改进,发展了具有三种时滞的离散时间四元数神经网络同步性的理论基础。

关键词： 随钻测量   陀螺仪   漂移误差补偿   稀疏冗余   脉冲神经网络   改进抗差卡尔曼滤波  

摘要： 随着近年来对地下资源的不断勘探开采及地下工程钻通的需要,随钻测量(MWD)技术得到了广泛的应用。导向钻井是钻井工程领域的高新技术,其技术的进步和捷联惯性导航系统(SINS)的发展密切相关,该系统主要采用陀螺仪、加速度计和磁强计微惯性器件(MEMS)组成的微惯性测量单元(MIMU),借此单元可采集到钻头三轴加速度和角速度信息,通过解算从而得到钻具的井斜角、工具面角和方位角。MEMS陀螺仪具有低成本、低功耗、小尺寸、抗冲击能力强和可靠性高等优点,可以直接解算得到钻具的三个重要姿态信息。但在钻井的过程中,陀螺仪存在漂移,钻具在长时间的高温强振环境下,累积误差不断变大,导致钻具的姿态信息存在大量噪声。由此,鉴于国内外大量文献的研究基础上,本文首先分析随钻陀螺仪的主要误差特性,通过对非线性的陀螺仪误差特性直接通过算法进行处理;再者利用神经网络模型实现降低振动噪声对陀螺仪的干扰,重点研究随钻陀螺仪在惯性组合下的误差补偿方法,主要的研究内容如下:(1)简要介绍了陀螺仪的工作原理,重点分析了陀螺仪的误差特性并建立Allan方差误差模型,且进行最小二乘误差辨识。(2)为了提高随钻测量过程中MEMS陀螺仪的测量精度,针对EMD分解的模态函数中存在噪声的问题,提出了一种稀疏冗余算法,有效提取陀螺仪有用信息。(3)针对钻井过程中钻头在不同振动频率下,MEMS陀螺仪信号中存在大量噪声的问题,提出了改进突触可塑性的SNN算法,有效提高陀螺仪信号的抗干扰能力。(4)针对随钻陀螺仪漂移的问题,建立了惯性组合下加速度四元数估计陀螺仪误差四元数模型,提出了改进抗差卡尔曼滤波算法对该模型进行估计和补偿。图29幅,表6个,参考文献68篇。

关键词： 脉冲神经网络   皮层丘脑环路   跨脑区反馈   脑区内反馈   视觉分类   注意机制  

摘要： 目前绝大多数的神经网络结构都不同程度受到了经典皮层解剖学的启发，通过逐层抽象的方式，对信息进行层次化处理。脑皮层是人脑高级认知功能的汇集区域，多模态感知、学习、决策、推理等认知功能都依赖于脑皮层信息处理机制。脉冲神经网络作为第三代神经网络，以离散的脉冲传递信息，更加类生物，在时间及空间信息的处理能力上更加强大，结合脑皮层信息处理机制，能更好地构建功能强大的脉冲神经网络。脑皮层完成各项认知功能离不开丘脑的集成、协同以及自组织控制。丘脑作为一簇前脑核团，接收除了嗅觉之外的多种感觉信息，并传递到大脑皮层，在皮层区域之间整合传递信息。皮层及丘脑协同计算是实现认知功能模拟的关键。　　受皮层丘脑环路启发，本文通过皮层区域宏观连接的分析，构建了受跨脑区反馈学习机制启发的脉冲神经网络模型，受脑区内反馈以及兴奋抑制性神经元平衡启发的脉冲神经网络模型，通过对于皮层丘脑双向连接的分析，从微观突触优化的角度构建了受皮层丘脑环路启发的视觉分类模型，从宏观决策角度构建了受皮层丘脑环路启发的多视觉区协同跟踪模型。本文的主要工作和创新点归纳如下:　　第一，本文构建了受跨脑区反馈学习机制启发的脉冲神经网络模型。人脑中存在着大量的反馈连接，反馈连接将高级皮层的全局信息以自顶向下的方式传递到低级皮层，受此启发，本文构建了一个随机的反馈连接帮助脉冲神经网络将输出层的误差直接直接传递到之前层，同时，利用一个微分脉冲时序依赖可塑性原理来优化局部的突触可塑性。在MNIST以及Fashion MNIST上的实验结果表明，此算法达到了由反向传播算法训练的脉冲神经网络的性能。　　第二，本文构建了受脑区内反馈以及兴奋抑制性神经元平衡启发的脉冲神经网络模型。受大脑中自突触连接以自反馈形式连接胞体的启发，构建了一个自适应的延时自反馈机制作用在膜电势上来调节脉冲发放的精度;并且采用兴奋抑制性神经元平衡的机制来动态控制脉冲神经元的输出。在基于反向传播训练的脉冲神经网络上引入这两个机制后，在多个数据集上的实验结果表明，这两个机制不仅提升了网络收敛的速度，还提升了网络的性能。在MNIST、FashionMNIST、N-MNIST数据集上，本文提出的算法达到了目前所知的最优的性能，在CIFAR10数据集上，和目前最好的脉冲神经网络相比，此网络以一个轻量级的结构达到了较好的性能。　　第三，受皮层丘脑环路启发的视觉分类模型。从解剖学角度看，皮层区域之间与丘脑存在着大量的双向连接，多个特殊的丘脑核团将初级皮层区域和高级皮层区域连接在一起，许多理论认为皮层-丘脑-皮层的这种交互对于全局信息的处理至关重要。受丘脑核团和不同皮层区域间的网络拓扑结构启发，本文利用一个多层的神经网络模拟皮层，利用额外的无监督赫布学习来模拟丘脑对于不同皮层区域之间的调控。结果表明，此网络在较小的训练数据集上性能高于基于皮层的网络，且对于学习率、激活函数、网络结构等超参的鲁棒性较高。　　第四，受皮层丘脑环路启发的多视觉区协同跟踪模型。由于卷积神经网络强大的特征表示能力，结合卷积神经网络和相关滤波在视觉跟踪任务中得到了广泛应用。卷积神经网络的深层包含更多的语义信息，浅层包含更多的细节信息，受丘脑对于视皮层决策的动态协同作用的启发，本文利用空间注意机制选择出了最重要的一层作为基础响应，其余的响应为辅助响应;利用时间注意机制确定每个辅助响应的权重。最后，根据融合响应的最大值定位目标。本文进一步将相关滤波以及重要性分配机制融入到卷积神经网络中，构建了一个端到端的跟踪算法，在OTB-2013数据集达到了与目前已知工作相比最优的性能，在OTB-2015数据集上达到了较为优异的性能。

关键词： 脉冲神经网络   三维重建   STDP无监督训练   双目事件相机   BBD型异步电路  

摘要： 近年来,随着人工智能的发展,机器视觉越来越与我们的生产生活息息相关,而三维重建作为机器视觉的一个重要研究方向,一直受到学者们的广泛关注。因为现有的三维重建系统几乎都是面向传统相机设计的,所以受到传统相机处理延迟高、数据冗余大等缺点的影响,在面临高实时性、低功耗等需求的应用时较为困难。近几年来,数据冗余更低的事件相机受到了越来越多关注,然而与传统相机三维重建系统如火如荼的研究热潮不同,面向事件相机的三维重建系统,尤其是针对其硬件实现的三维重建系统却鲜有问津,因此设计面向事件相机的三维重建系统并硬件实现具有重要的研究和应用价值。但是事件相机的输出为离散事件流,面向传统相机的三维重建算法并不适用于事件相机,不过基于事件驱动的脉冲神经网络(spiking neural network,SNN)十分适合对离散事件的处理。因此本文选择使用脉冲神经网络完成双目事件相机三维重建系统,并基于异步设计方法完成硬件实现。本文聚焦于设计与实现双目事件相机三维重建系统的任务,从算法设计到硬件电路实现进行了研究和探讨。首先,对于面向双目事件相机的三维重建算法,本文仿照生物视觉系统,提出了一个三层脉冲神经网络。现有相关研究的神经突触权重多为人工设置,但此方式存在着每当应用场景发生变化,就需要重新设置权重的问题,所以本文对每一层脉冲神经网络单独设计了相应的脉冲时间依赖可塑性(spike-timing dependent plasticity,STDP)无监督训练算法来训练神经突触权重。另外,在三维重建脉冲神经网络的基础上,本文使用有界数据绑定(bounded bundled data,BBD)型异步设计方法,在FPGA上进行了硬件电路的设计、实现与仿真。最后,通过算法仿真实验与硬件仿真实验验证了本文所提出的三维重建系统的可行性与有效性。实验结果表明,与其它面向事件相机的三维重建研究相比,本文所提出的三维重建系统视觉效果更好,并且由于使用了BBD型异步设计方法,与类似同步电路研究相比,功耗更低。

关键词： 智能车辆   避障控制   脉冲神经网络   STDP算法   投票竞争机制  

摘要： 随着科学技术的飞速发展,人们正快速进入人工智能的时代,智慧城市是当前研究的热点,作为智慧城市一部分的智能车辆,也是当今时代的重点研究对象之一。由于人们生活水平的提升,车辆的使用率也随之猛增,但道路交通安全的问题却越来越严重,还造成了环境的污染,如何解决这些问题成为了社会越来越关注的重点。为解决这些问题,需要重点研究如何提高车辆的自动避障能力、对周围环境变化的敏锐程度以及车辆的预判能力等方面。本文针对智能小车避障能力进行了相关的研究设计,其中包括设计避障控制模块以及对基于脉冲神经网络的避障算法分析。本文首先对传统避障模型算法,如人工势场法和虚拟力场法等,以及模糊控制算法进行简单的描述,同时根据算法的避障原理分析这几种算法针对小车在实现避障行为问题上存在的不足之处,进而引出基于脉冲神经网络小车避障控制算法。其次阐述了脉冲神经网络生物意义,介绍了脉冲神经网络的基本结构,对脉冲神经元模型的动力学原理及基本应用进行简要介绍,采用泊松编码机制和STDP训练算法,并在其基础上进行相应的改进。然后针对基于STDP规则的全连接网络的不足之处进行改进,改进的方式为动态更改网络概率连接以及增加一种竞争算法机制。相关的仿真实验表明,改进之后的网络模型在一定程度上降低了网络的训练时间。输入到神经网络中的数据需要对其进行编码,编码后的脉冲序列才能被网络识别。本文对泊松编码机制进行了改进,对其增加了一个比例系数和偏置系数,通过实验得知,改进后的泊松编码机制可以动态地调节脉冲神经元发放脉冲的数目,使之增加了网络训练的分类准确率。最后对不同网络模型进行相应的仿真,实验表明了脉冲神经网络相对于其它神经网络能更好地实现小车避障行为。在脉冲神经网络的基础上,就改变网络连接概率和增加算法机制两个角度,设计了四种不同的网络结构模型,并对其分别进行仿真实验,实验说明基于概率连接竞争学习的脉冲神经网络相对于基于STDP规则的全连接脉冲神经网络准确率提高了1.6%,更改网络连接结构和增加竞争算法机制能最大程度上降低网络计算速率,缩短训练时间。并在特定的条件下,基于概率连接竞争学习的脉冲神经网络的准确率能提高2.6%,并在避障分类准确率相对其他分类更高,进一步表明了本文选用的算法模型具有一定的研究价值。