维普资讯 http://www.cqvip.

com

Ｊｏ
ｕｒｎ
ａｌ　
ｏｆＨａｒ
ｂｉｎ
　Ｉｎ
ｓｔｉ
ｔｕｔ
ｅ　ｏ
ｆ　Ｔ
ｅｃｈｎ
ｏｌｏ
ｇｙ（Ｎｅ
ｗ　Ｓ
ｅｒｉ
ｅｓ），Ｖ
ｏ１．１
　１，Ｎｏ
．３，２０
０４　

Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｕｒａｌ
　ｎｅｔ
ｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ａｎｔ
　ｓｙｓｔ
ｅｍ　

ＨＯＮＧ　
Ｂｉｎｇ—
ｒｏｎｇ，ｊＩ
Ｎ　Ｆｅ
ｉ—ｈｕ，ＧＵＯ　Ｑｉ
　
洪炳镕 ，
　 金 飞虎 ，
　 郭 琦　
（Ｓ
ｃｈｏｏ
ｌ　ｏ
ｆ　Ｃｏｍｐｕｔ
ｅｒ　
Ｓｃｉ
ｅｎｃ
ｅ　ａｎｄ
　Ｔｅ
ｃｈｎｏｌ
ｏｇｙ，Ｈａ
ｒｂｉ
ｎ　Ｉ
ｎｓｔ
ｉｔ
ｕｔｅ
　ｏｆＴｅ
ｃｈｎｏｌ
ｏｇ
ｙ ，Ｈａ
ｒｂｉ
ｎ　１５０００１，Ｃｈｉ
ｎａ，Ｅ－
ｍａｉ
ｌ：Ｆｈｊ
ｉｎ＠０４５１．ｃｏｒ
ｎ）　

Ａｂｓｔ
ｒａｃｔ：Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｕｒ
ａｌ　ｎｅｔ
ｗｏｒ
ｋ　ｉ
ｓ　ａ　
ｓｉｎｇｌ
ｅ　ｌ
ａｖｅｒ
　ｆｅｅｄｆ
ｏｒｗａｒ
ｄ　ｎｅｕｒａｌ
　ｎｅｔ
ｗｏｒｋ．Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｔ
ｗｏｒ
ｋ　ｒ
ｅｑｕｉ
ｒｅｓ
　ｓｏｍｅ　
ｅｏｎｔ
ｒｏｌ
　ｐａｒ
ａｍｅｔ
ｅｒｓ
　ｔｏ　ｂｅ　
ｃａｒ
ｅｆｕｌ
ｌｙ　
ｓｅｌ
ｅｃｔ
ｅｄ．ｅｌ
ｓｅ　ｔ
ｈｅ　ｎｅｔ
ｗｏｒ
ｋ　ｉ
ｓ　ａｐｔ
　ｔｏ　
ｃｏｎｖｅｒ
ｇｅ　ｔ
ｏ　ｌ
ｏｃａ
ｌ　ｍｉ
ｎｉｍｕｍ．Ａｎ　
ａｎｔ
　ｓｙｓｔ
ｅｍ　
ｉ
ｓ　ａ　ｎａｔ
ｕｒｅ　ｉ
ｎｓｐｉ
ｒｅｄ　ｍｅｔ
ａ　ｈｅｕｒ
ｉｓｔ
ｉｃ　ａｌ
ｇｏｒ
ｉｔｈｍ ．Ｉ
ｔ　ｈａｓ
　ｂｅｅｎ　ａｐｐｌ
ｉｅｄ　
ｔｏ　
ｓｅｖｅｒ
ａｌ　ｃｏｍｂｉ
ｎａｔ
ｏｒｉ
ａｌ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ
　ｐｒ
ｏｂｌ
ｅｍｓ
　
ｓｕｃｈ　ａｓ
　Ｔｒ
ａｖｅｌ
ｉｎｇ　Ｓａｌ
ｅｓｍａｎ　Ｐｒ
ｏｂｌ
ｅｍ ，Ｓｃｈｅｄｕｌ
ｉｎｇ　Ｐｒ
ｏｂｌ
ｅｍｓ，ｅｔ
ｃ． Ｔｈｉ
ｓ　ｐａｐｅｒ
　ｗｉ
ｌｌ　ｓ
ｈｏｗ　ａｎ　ａｎｔ
　ｓｙｓｔ
ｅｍ　ｍａｙ　ｂｅ　
ｕｓｅｄ　ｉ
ｎ　ｔ
ｕｎ ｉ
ｎｇ　ｔ
ｈｅ　ｎｅｔｗｏｒｋ
　ｃｏｎｔ
ｒｏｌ
　ｐａｒ
ａｍｅｔｅｒ
ｓ　ｂｙ
　ａ　
ｇｒｏｕｐ　ｏ
ｆ　ｃｏｏ
ｐｅ ｒ
ａｔｅｄ　ａｎｔ
ｓ ．
　１１ｈｅ　ｍａｊｏｒ
　ａｄｖａｎｔ
ａｇｅ　ｏｆ
　ｔｈｉ
ｓ　ｎｅｔ—
　
ｗｏｒｋ　ｉ
ｓ　ｔ
ｏ　ａｄｉ
ｕｓｔ
　ｔｈｅ　ｎｅｔ
ｗｏｒｋ　
ｐａｒａｍｅｔ
ｅｒ
ｓ　ａｕｔ
ｏｍａｔｉ
ｃａ
ｌｌｙ．ａｖｏｉ
ｄｉｎｇ　ａ　
ｂｌｉｎｄ　ｓ
ｅａｒｃｈ　ｆ
ｏｒ　ｔｈｅ　
ｓｅｔ
　ｏｆ
　ｃｏｎｔ
ｒｏｌ
　ｐａｒａｍｅｔｅｒ
ｓ．　
Ｔｈｉ
ｓ　ｎｅｔ
ｗｏｒｋ　ｗａｓ
　ｔｅｓｔ
ｅｄ　ｏｎ　ｔ
ｗｏ　ＴＳＰ　ｐｒ
ｏｂｌ
ｅｍｓ．５
　ｃｉ
ｔｉｅｓ
　ａｎｄ　１０　ｃｉ
ｔｉｅｓ． Ｔｈｅ　ｒ
ｅｓｕｌ
ｔｓ　ｈａｖ
ｅ　ｓ
ｈｏｗｎ　ａｎ　ｏｂｖｉ
ｏｕｓ
　ｉｍ—
　
ｐｒ
ｏｖｅｍｅｎｔ
．　
Ｋｅｙ　
ｗｏｒｄｓ：ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｔ
ｗｏｒ
ｋ；ａｎｔ
　ｓｙｓ
ｔｅｍ ；ＴＳＰ；ｃｏｍｂｉ
ｎａｔ
ｏｒｉａｌ
　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ｐｒ
ｏｂｌ
ｅｍ　
ＣＬＣ　
ｎｕｍｂｅ
ｒ：ＴＰ３
９　 Ｄｏ
ｃｕｍｅｎｔ
　ｃｏｄｅ：Ａ　 Ａｒ
ｔｉｃｌ
ｅ　Ｉ
Ｄ：１
００５－
９Ｉｌ
３（２０
０４）
０３－
０２６７－
０３　

Ｔｒ
ａｖｅｌ
ｉｎｇ　Ｓａｌ
ｅｓｍａｎ　Ｐｒ
ｏｂｌ
ｅｍ （ＴＳＰ）ｉ
ｓ　ａ　ｃｌ
ａｓｓ
　ｏｆ
　 ｈｅｕｒｉ
ｓｔｉ
ｃ　ｈｅｌ
ｐｓ　ｆ
ｉｎｄ　ａｃｃｅｐｔ
ａｂｌ
ｅ　ｓｏｌ
ｕｔｉ
ｏｎｓ
　ｉｎ　ｔ
ｈｅ　ｅａｒ
ｌｙ　
ｃｏｍｂｉ
ｎａｔ
ｏｒｉ
ｌ　ｏｐｔ
ａ ｉｍｉ
ｚａｔ
ｉｏｎ　ｐｒｏｂｌ
ｅｍｓ． Ｉｔ
　ｈａｓ　ａ　ｖａｒ
ｉｅｔ
ｙ　ｏｆ
　 ｓｔ
ａｇｅｓ　ｏｆ　ｔ
ｈｅ　ｓｅａｒｃｈ　ｐｒｏｃｅｓｓ．
　
ｉ
ｍｐｏｒｔ
ａｎｔ
　ａｐｐｌ
ｉｃａｔ
ｉｏｎｓ， ｍｏｓｔ
ｌｙ　ｉ
ｎ　ｔ
ｈｅ　ａｒ
ｅａ　ｏｆ　ｒｏｕｔ
ｉｎｇ　 ＴＳＰ　ｐｒｏｂｌ
ｅｍ　ａｎｄ　Ｈｏｐｆ
ｉｅｌｄ　Ｎｅｕｒ
ａｌ　ｎｅｔ
ｗｏｒｋ　ｗｉ
ｌｌ　ｂｅ　
ａｎｄ　ｓｃｈｅｄｕｌ
ｉｎｇ　ｐｒ
ｏｂｌ
ｅｍｓ． Ｔｈｅ　ＴＳＰ　ｉ
ｓ　ｃｏｎｓｉｄｅｒ
ｅｄ　ｔ
ｏ　ｂｅ　 ｂｒ
ｉｅｆ
ｌｙ　ｐｒｅｓｅｎｔ
ｅｄ　ｉ
ｎ　Ｓｅｃｔ
ｉｏｎ　１． Ｉｎ　Ｓｅｃｔ
ｉｏｎ　２． Ｈｏｐｆｉ
ｅｌｄ　
ｏｎｅ　ｏｆ
　ｔｈｅ　ｓｔ
ａｎｄａｒｄ　ｐｒ
ｏｂｌ
ｅｍｓ　ｉ
ｎ　ｔ
ｈｅ　ｏｐｅｒ
ａｔｉ
ｏｎ　ｒｅｓｅａｒ
ｃｈ／　 ｎｅｕｒａｌ
　ｎｅｔ
ｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ａｎｔ
　ｓｙｓｔ
ｅｍ　ｉ
ｓ　ｉ
ｎｔｒｏｄｕｃｅｄ． Ｓｅｃ—
　
ｍａｎａｇｅｍｅｎｔ
　ｓｃｉ
ｅｎｃｅ　ｌ
ｉｔｅｒ
ａｔｕｒｅ．
　 ｔ
ｉｏｎ　３　ｐｒｅｓｅｎｔ
ｓ　ｔ
ｈｅ　ｓ
ｉｍｕｌ
ａｔｉ
ｏｎ　ｒ
ｅｓｕｌ
ｔｓ　ａｎｄ，ｆ
ｉｎａｌ
ｌｙ，Ｓｅｃ—
　
Ｒｅｃｅｎｔ
　ａｄｖａｎｃｅｓ
　ｉｎ　ｔ
ｈｅ　ｓｔ
ｕｄｙ　ｏｆ　ａｒ
ｔｉｉｃｉ
ｆ ａｌ　ｎｅｕｒ
ａｌ　 ｔ
ｉｏｎ　４　ｓｕｍｍａｒｉ
ｚｅｓ　ｃｏｎｃｌ
ｕｓｉ
ｏｎｓ．
　
ｎｅｔ
ｗｏｒ
ｋｓ　ｈａｖｅ　ｒ
ｅｓｕｌｔ
ｅｄ，ａｍｏｎｇ　ｏｔ
ｈｅｒｓ，ｉ
ｎ　ｔ
ｈｅ　ａｌ
ｇｏｒｉ
ｔｈｍ　
ｏｆ　Ｈｏｐｆｉ
ｅｌｄ　ｗｈｏ　ｓｈｏｗｓ　ｔ
ｈｅ　ＴＳＰ　ｍａｙ　ｂｅ　ｓｏｌ
ｖｅｄ　ｂｙ　ｎｅｕ—
　
１　 ＴＳＰ　ａｎｄ　Ｈｏｐｆ
ｉｅｌ
ｄ　Ｎｅｕｒａｌ
　Ｎｅｔ
ｗｏｒｋ　
ｒｏｎ—
ｌｉｋｅ　ｃｏｍｐｕｔ
ａｔｉ
ｏｎａｌ
　ｎｅｔ
ｗｏｒｋｓ． Ｔｈｉ
ｓ　ｗｏｒｋ　ｈａｓ
　ａｔ
ｔｒａｃ．
　
ｔ
ｅｄ　ｔ
ｈｅ　ａｔ
ｔｅｎｔ
ｉｏｎ　ｏｆ　
ｍａｎｙ　ｒｅｓｅａｒ
ｃｈｅｒｓ　ｔ
ｏ　ｔ
ｈｅ　
ｉｅｌ
ｆ ｄ　ｏｆ　
ｎｅｕ－
　
ｒ
ａｌ　ｎｅｔ
ｗｏｒｋｓ． Ｕｎｆ
ｏｒｔｕｎａｔ
ｅｌｙ，ｔ
ｈｅ　ｄｅｔ
ｅｒｍｉ
ｎｉｓｔ
ｉｃ　ｎａｔ
ｕｒｅ　ｏｆ
　 Ｔｒ
ａｖｅｌ
ｉｎｇ　Ｓａｌ
ｅｓｍａｎ　Ｐｒｏｂｌ
ｅｍ　ｉ
ｓ　ａ　ｐｒ
ｏｂｌ
ｅｍ　ｔ
ｈａｔ
　ｉＳ
　

Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｔ
ｗｏｒｋ， ｗｈｉ
ｃｈ　ｍ ｉ
ｎｉｍｉ
ｚｅｓ
　ａ　ｇｌ
ｏｂａｌ
　ｅｎｅｒ
ｇｙ　 ｃｏｍｐｕｔ
ａｔｉ
ｏｎａｌ
ｌｙ　ｅｘｐｅｎｓｉ
ｖｅ　ｔｏ　ｓｏｌ
ｖｅ． Ｔｈｅ　ｐｒｅｍｉｓ
ｅ　ｏｆ
　ＴＳＰ　

ｆ
ｕｎｃｔｉ
ｏｎ．ｉｓ
　ｈｅａｖｉ
ｌｙ　ｄｅｐｅｎｄｅｎｔ
　ｏｎ　ｉ
ｎｉｔ
ｉａｌ
　ｖａｌ
ｕｅｓ　ｏｆ
　ｐａ—
　 ｉ
ｓ　ｔ
ｙｐｉ
ｃａｌ
ｌｙ　ｔ
ａｋｅｎ　ｔ
ｏ　ｂｅ　ａ　ｔ
ｒａｖｅｌ
ｉｎｇ　ｓ
ａｌｅｓｍａｎ　ｎｅｅｄｓ　ｔ
ｏ　
ｖｉ
ｓｉｔ
　ａ　ｌ
ｉｓｔ
　ｏｆ　ｃｉ
ｔｉｅｓ． Ｅａｃｈ　ｃｉ
ｔｙ　ｏｎｌｙ　ｃｏｎｎｅｃｔ
ｓ　ｔ
ｏ　ｃｅｒ
ｔａｉ
ｎ　
ｒ
ａｍｅｔ
ｅｒｓ
　ａｎｄ　ｖａｒ
ｉａｂｌ
ｅｓ． Ｗｉ
ｔｈ　ｔ
ｈｉｓ
　ｎａ
ｔｕｒ
ｅ，ｔ
ｈｅ　ｏｒ
ｉｇｉ
ｎａｌ
　
ｎｅｔ
ｗｏｒｋ　ｉ
ｓ　ａｐｔ
　ｔｏ　ｃｏｎｖｅｒｇｅ　ｔ
ｏ　ｌ
ｏｃａｌ
　ｍｉ
ｎｉｍｕｍ ，ｎｅｖｅｒ
　ｔｏ　 ｏｔ
ｈｅｒ
　ｃｉ
ｔｉｅｓ．ａｎｄ　ｔ
ｈｅｒｅ　ｉｓ
　ａ　ｗｅｉ
ｇｈｔ
　ａｓｓｏｃｉ
ａｔｅｄ　ｗｉ
ｔｈ　ｔ
ｈａｔ
　
ｃｏｎｎｅｃｔ
ｉｏｎ． Ｔｈｅ　ｗｅｉ
ｇｈｔ
　ｃａｎ　ｂｅ　ａ　ｔ
ｉｍｅ．ｈｏｗ　ｍｕｃｈ　ｆ
ｕｅｌ
　
ｅｓｃａｐｅ　ｆｒ
ｏｍ　ｔ
ｈｉｓ
　ｓｔ
ａｔｉ
ｏｎａｒ
ｙ　ｐｏｉ
ｎｔ． Ｔｈｕｓ．ｉ
ｔ　ｉ
ｓ　ｖｅｒ
ｙ 　ｉ
ｍ—　
ｐｏｒｔ
ａｎｔ
　ｔｏ　ｕｓ
ｅ　ａｐｐｒｏｐｒ
ｉａｔ
ｅ　ｒａｎｇｅｓ　ｏｆ　ｒａｎｄｏｍｉ
ｚｅｄ　ｉ
ｎｉｔ
ｉａｌ
　 ｉ
ｓ　ｃｏｎｓｕｍｅｄ，ａ　ｃｏｍｂｉｎａｔ
ｉｏｎ　ｏｆ
　ｔｈｅ　ｔ
ｗｏ　ｏｒ　ｓｏｍｅ　ｏｔ
ｈｅｒ　

ｓｔ
ａｔｅｓ　ａｎｄ　ｏｆ
　ｓｏｍｅ　ｍｕｌ
ｔｉｐｌ
ｉｅｒｓ． Ｆｕｒ
ｔｈｅｒ
ｍｏｒ
ｅ　ｗｈｅｎ　ｔ
ｈｅ　 ａｒｂｉ
ｔｒａｒ
ｙ　ｃｏｎｄｉ
ｔｉｏｎ． Ｔｈｅ　ｇｏａｌ
　ｉｓ
　ｔｏ　ｆ
ｉｎｄ　ａ　ｐａｔ
ｈ　ｔｈａｔ
　ａｌ—
　

ＴＳＰ　ｉ
ｓ　ｓｉ
ｍｕｌ
ａｔｅｄ　ｗｉ
ｔｈ　ｎｅｕｒ
ａｌ　ｎｅｔ
ｗｏｒｋｓ．ｔ
ｈｅ　ｉ
ｎｔｅｒ— ｒ
ｅｌａ—
　 ｌ
ｏｗｓ　ｔ
ｈｅ　ｓａｌｅｓｍａｎ　ｔ
ｏ　ｖｉ
ｓｉｔ
　ｅａｃｈ　ｃｉ
ｔｙ　ｅｘａｃｔ
ｌｙ　ｏｎｃｅ　ｗｉ
ｔｈ　

ｔ
ｉｏｎｓｈｉ
ｐｓ　ａｍｏｎｇ　ｔ
ｈｅ　ｖａｒ
ｉａｂｌ
ｅｓ　ａｒｅ　ｔ
ｏｏ　ｃｏｍｐｌ
ｅｘ　ｔｏ　ｂｅ　ｒｅ—
　 ｔ
ｈｅ　ｌ
ｏｗｅｓｔ
　ｃｏｓ
ｔ　ｐｏｓｓｉ
ｂｌｅ． Ｏｆ
ｔｅｎ　ｔ
ｈｅ　ｐｒ
ｏｂｌ
ｅｍ　ｒｅｑｕｉ
ｒｅｓ
　

ｉｎｅｄ　ｄｅｃｉ
ｆ ｓｉｖｅｌ
ｙ．　 ｔ
ｈａｔ
　ｈｅ　ｅｎｄ　ｉ
ｎ　ｔ
ｈｅ　ｓａｍｅ　ｃｉ
ｔｙ　ｈｅ　ｂｅｇａｎ　ｉ
ｎ．　

Ｉｎ　ｒｅｃｅｎｔ
　ｙｅａｒｓ，Ａｎｔ
　ｓｙｓｔ
ｅｍ　ｈａｓ　ｂｅｅｎ　ｄｅｖｅｌ
ｏｐｅｄ　ｔ
ｏ　 Ｉｎ　ｔ
ｈｅ　ＴＳＰ，ｗｅ　ａｒｅ　 ｖｅｎ　ｎ　ｃｉ
ｔｉｅｓ　ａｎｄ　ａ　ｄｉ
ｓｔａｎｃｅ　

ｓｏｌ
ｖｅ　ｓｅｖｅｒａｌ
　ｃｏｍｂｉ
ｎａｔ
ｏｒｉ
ａｌ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ｐｒｏｂｌ
ｅｍｓ
　ｓｕｃｈ　 ｍａ
ｔｒｉ
ｘ［ｄ
　］ｗｈｅ
ｒｅ　
ｄ“ｉ
ｓ　ｔ
ｈｅ　
ｄｉｓ
ｔａｎｃ
ｅ　ｂｅ
ｔｗｅ
ｅｎ　
ｃｉｔ
ｙ　ｉ
　ａｎｄ
　
ａｓ　Ｔｒ
ａｖｅｌ
ｉｎｇ　Ｓａｌ
ｅｓｍａｎ　Ｐｒ
ｏｂｌｅｍ ， Ｓｃｈｅｄｕｌ
ｉｎｇ　Ｐｒｏｂｌ
ｅｍｓ　 ｃｉ
ｔｙ　 ＴＳＰ　ｉ
ｓ　ａ　ｐｅｒｍｕｔ
ａｔｉ
ｏｎ　ｐｒ
ｏｂｌ
ｅｍ ， ｉ．ｅ． ａ　ｆｅａｓｉ
ｂｌｅ　

ｅｔｃ． Ａｎｔ
　ｓｙｓｔ
ｅｍ　ｉ
ｓ　ａ　ｎａｔ
ｕｒｅ　ｉ
ｎｓｐｉ
ｒｅｄ　ｍｅｔ
ａ　ｈｅｕｒｉ
ｓｔｉ
ｃ　ａｌ
—　 ｓ
ｏｌｕｔ
ｉｏｎ　ｔ
ｏ　ＴＳＰ　ｉｓ
　ａ　ｐｅｒ
ｍ ｕｔ
ａｔｉ
ｏｎ　ｏｆ　
ｔｈｅ　 ｖｅｎ　ｎ　
ｃｉｔ
ｉｅｓ．
　
ｇｏｒｉ
ｔｈｍ ． Ａｎｔ
　ｓｙｓ
ｔｅｍ　ｈａｓ　ｓｏｍｅ　ｐｒｏｐｅｒ
ｔｉｅｓ：ｐｏｓｉ
ｔｉｖｅ　ｆ
ｅｅｄ—
　 Ｈｏｐｆ
ｉｅｌｄ　Ｎｅｔ
ｗｏｒｋｓ
　ｈａｖｅ　ｂｅｅｎ　ｗｉ
ｄｅｌ
ｙ　ｕｓｅｄ　ｔ
ｏ　Ｓｏｌ
ｖｅ　

ｂａｃｋ，ｄｉ
ｓｔｉｂｕｔ
ｒ ｅｄ　ｃｏｍｐｕｔ
ａｔｉ
ｏｎ，ａｎｄ　ｕｓｅ　ｏｆ　ａ　ｃｏｎｓｔ
ｒｕｃ—
　 ａ　ｖａｒｉ
ｅｔｙ　ｏｆ
　ｃｏｍｂｉ
ｎａｔ
ｏｒｉ
ａｌ　ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　ｐｒ
ｏｂｌ
ｅｍｓ． Ｉ
ｔ　ｃａｎ　
ｔ
ｉｖｅ　ｇｒ
ｅｅｄｙ　ｈｅｕｒ
ｉｓｔ
ｉｃ． Ｐｏｓｉ
ｔｉｖｅ　ｆ
ｅｅｄｂａｃｋ　ａｃｃｏｕｎｔ
ｓ　ｆ
ｏｒ　 ｂｅ　ｐｒｏｖｅｄ　ｔ
ｈａｔ
　ａ　Ｈｏｐｆ
ｉｅｌ
ｄ　Ｎｅｔ
ｗｏｒｋ　ｗｉ
ｔｈ　ｄｉ
ｓｃｒｅｔ
ｅ　ｏｕｔ
ｐｕｔ
　

ｒａｐｉ
ｄ　ｄｉ
ｓｃｏｖｅｒ
ｙ　ｏｆ　ｇｏｏｄ　ｓｏｌ
ｕｔｉ
ｏｎｓ， ｄｉ
ｓｔｉｂｕｔ
ｒ ｅｄ　ｃｏｍｐｕｔ
ａ—　 ｎｅｕｒｏｎｓ　ｏｐｅｒ
ａｔｉ
ｎｇ　ｉ
ｎ　ａｎ　ａｐｐｒｏｐｒ
ｉａｔ
ｅ　ｍ ａｎｎｅｒ　１ｓ
　ａ　ｓｔａｂｌ
ｅ　

ｔ
ｉｏｎ　ａｖｏｉ
ｄｓ　ｐｒｅｍａｔ
ｕｒｅ　ｃｏｎｖｅｒｇｅｎｃｅ， ａｎｄ　ｔ
ｈｅ　ｇｒｅｅｄｙ　 ｓｙｓｔ
ｅｍ　ｉ
ｎ　ｔ
ｈｅ　Ｌｙａｐｕｎｏｖ　ｓｅｎｓｅ． Ｈｏｐｆ
ｉｅｌｄ　Ｎｅｕｒａｌ
　ｎｅｔ
　ｉｓ　

Ｒｅｃｅｉ
ｖｅｄ　２００３ —０ｌ—ｌ０　
Ｓｐｏ
ｎｓｏｒ
ｅｄ　ｂｙ
　ｔｈ
ｅ　Ｎａ
ｔｉｏｎａ
ｌ　Ｈｉ
ｇｈ—
Ｔｅｃｈｎｏｌ
ｏｇ
ｙ　８６３
　Ｐｒ
ｏｊｅｃ
ｔ（Ｇｒ
ａｎｔ
　Ｎｏ．
８６３—２—４—１—２）
　

・
２６７ ・
　
 维普资讯 http://www.cqvip.com

Ｊ
ｏｕｒ
ｎａｌ
　ｏ
ｆ　Ｈａ
ｒｂｉ
ｎ　Ｉ
ｎｓｔ
ｉｔ
ｕｔｅ
　ｏｆ　
Ｔｅｃ
ｈｎｏ
ｌｏｇ
ｙ（Ｎｅ
ｗ　Ｓｅ
ｒｉ
ｅｓ），Ｖ
ｏ１．１
　
１，Ｎｏ
．３，２
００４
　
ｕｓｕａｌ
ｌｙ　ｄｅｓｃｒ
ｉｂｅｄ　ｂｙ　ｅｎｅｒ
ｇｙ　ｆ
ｕｎｃｔ
ｉｏｎ　ｉ
ｎ　ｗｈｉ
ｃｈ　ｔ
ｈｅ　ｌ
ｏｗ．
　 ２　 Ａｐｐｌ
ｙｉｎｇ　Ａｎｔ
　Ｓｙｓｔ
ｅｍ 　ｔｏ　ｔｈｅ　Ｈｏｐｆ
ｉｅｌ
ｄ　Ｎｅｕｒａｌ
　
ｅｓｔ
　ｅｎｅｒｇ
ｙ 　ｓｔ
ａｔｅ　ｃｏｒ
ｒｅｓｐｏｎｄｓ　ｔ
ｏ　ｔ
ｈｅ　ｏｐｔ
ｉｍｕｍ　ｓｏｌ
ｕｔｉ
ｏｎ．
　 Ｎｅｔ
ｗｏｒｋ　
Ｉｎ　ｔｈｅ　ｃａｓｅ　ｏｆｎ　
ｃｉｔｉ
ｅｓ　ｐｒ
ｏｂｌ
ｅｍ ．ｍａｋｅ　ａｎ × ｎ　
ｎｅｕ．
　
ｒ
ｏｎ　ｍａｔ
ｒｉｘ． Ｆｏｒ　ｅｘａｍｐｌｅ． ｉ
ｌｌｕｓｔ
ｒａｔ
ｅ　ａ　５　ｘ　５　ｍａｔｒ
ｉｘ　ｉ
ｎ　 Ｆｏｒ
　ｐａｒ
ａｍｅｔ
ｅｒｓ　Ｃ１４，ｔ
ａｋｅ　ａｌ
—
ｌ　ｐｏｓｓｉ
ｂｌｅ　ｖａｌ
ｕｅｓ　ｔ
ｏ　
Ｆｉ
ｇ．１． Ｉｎ　ｔ
ｈｉｓ
　ｎｅｔ
ｗｏｒ
ｋ　ｅａｃｈ　ｎｅｕｒ
ｏｎ　ｉ
ｓ　ｃｏｎｎｅｃｔ
ｅｄ　ｔ
ｏ　ａｌ
ｌ　 ｃｏｍｐｏｓｅ　ａ　ｓｅｔ
　Ｂｃ（ｉ＝
５

． １～ ４）．Ａｓ
ｓｕｍｅ
　ｔｈａｔ
　ｔｈｅｒ
ｅ　ａ
ｒｅ　
ｏｔ
ｈｅｒ
　ｎｅｕｒ
ｏｎｓ
　ｆ　
ｉｒ
ｆ ｅｄ　
ｎｅｕｒ
ｏｎ　
ｓｙｍｂｏｌ＝“１” ａｎｄ　
ｎｏｔ
　ｉｒ
ｆ ｅｄ　 Ｍ 　ａｎｔ
ｓ　ｉ
ｎ　ｔ
ｈｅ　ｃｏｎｓｔ
ｒｕｃｔ
ｅｄ　ａｌ
ｇｏｒ
ｉｔｈｍ ． Ｔｈｅｓｅ　ａｎｔ
ｓ　ｓｔ
ａｒ
ｔ　
三℃ Ｊ
ｏ　 （
　｛ｇ ＝＾Ｉ
　

一
　
＝ｓ
ｙｍｂｏｌ“０”）．Ｉ
ｎ　ｔ
ｈｉｓ
　ｍａｔ
ｒｉｘ．ａ　
ｒｏｗ　
ｉｓ　
ｔｈｅ
　ｎｕｍｂｅｒ　ｏｆ ｆｒｏｍ　ｔ
ｈｅ　ａｍ　ｎｅｓ
／ｔ
　ｔ
／ ｏ
　　ｓｅａｒｃｈ
＼　ｏ　ｒ
ｆ 　ｆｏｏｄ．ｅｖｅｒ
ｙ　ａｎｔ
　ｃｈｏｏｓｉ
ｎｇ　
ｔ
ｈｅ　ｃｉ
ｔｙ　ａｎｄ　ａ　ｃｏｌｕｍｎ　ｉ
ｓ　ｔｈｅ　ｎｕｍｂｅｒ
　ｏｆ　ｔ
ｈｅ　ｖｉ
ｓｉｔ． Ｉ
ｆ　ａ　
ｒ
ａｎｄｏｍｌ
ｙ　ａｎ　ｅｌ
ｅｍｅｎｔ
　ｆ
ｒｏｍ　ｅｖｅｒ
ｙ　ｓｅｔＢｃ（ｉ＝ １～４）ｉ
ｎ　 ．

ｃｉ
ｔｙ　ｗａｓ
　ｖｉ
ｓｉｔ
ｅｄ．ｔ
ｈｅ　ｃｏｒｅｓｐｏｎｄｉｎｇ　ｎｅｕｒｏｎ　ｉ
ｎ　ｔ
ｈｉｓ
　ｍａ．
　
ｔ
ｕｒｎ 　ａｃｃｏｒ ｏ　ｏ
ｄｉｎｇ　ｔ 　ｏ
ｏ　ｔ 　 ｍｏ
ｈｅ　ａ ｏ 奴
ｕｎｔ　 ｆ　ｐｈｅｒ
　ｏ ｏｍｏｎｅｓ　ｃｏｒｅ－
　
ｔ
ｒｉｘ　ｉ
ｓ　ｆ
ｉｒｅｄ　ａｓ　ｓｈｏｗｎ　ｉ
ｎ　Ｆｉ
ｇ．２．
　
ｓｐｏｎｄｉｎｇ　ｔ
ｏ　ｅｖｅｒ
ｙ　ｅｌ
ｅｍｅｎｔ
　ｉｎ　ｔｈｅ　ｓｅｔ
　ａｎｄ　ｒ
ｏｕｌｅｔ
ｔｅ　ａｌ
ｇｏ・
　
ｒｉ
ｔｈｍ ． Ｗ ｈｅｎ　ａｎｏ
　　ｏ
ａｎｔ
　ｆ
　 ｉｎｉ
ｓ　ｏ
ｏｈｅｓ
　ｃ
　 ｈ
眦　ｏｏｓｉ
ｎｇ　ｔｈｅ　ｅｌ
ｅｍｅｎｔ
ｓ　ｉ
ｎ　
ｆ
ｏｕｒ　ｓｅｔ
ｓ，ｉｔ
　ａｒｒｉ
ｖｅｓ　ａｔ
　ａ　ｆ
ｏｏｄ　ｓｏｕｒ
ｃｅ，ａｎｄ　ｔ
ｕｎｅｓ　ｐｈｅｒｏ—
　
● Ｏ　 ｏ　Ｏ　Ｏ　

ｉ
）
　
Ｏ　０　 Ｏ　Ｏ ●　 ｍｏ
ｎｅ　ｅｌ
ｅｍｅ
ｎｔｓ
　ａｃｃｏｒ
ｄｉｎｇ　ｔ
ｏ　ｒ
ｕｌｅｓ
　ｆ
ｏｒ　ａｄｊ
ｕｓｔ
ｉｎｇ　ｔ
ｈｅ　ａ
—　
Ｏ　Ｏ　 Ｏ ● Ｏ　
ｍｏｕｎｔ
　ｏｆ　
ｐｈｅｒｏｍｏｎｅ．
　
０ ● ｏ　Ｏ　Ｏ　
Ｏ　Ｏ ● Ｏ　Ｏ　 Ａｓ
ｓｕｍｅ
　ｔｈａｔ
　ｔｈｅ
　ｓｅｔ
　Ｂｒ
　ｈａｖｅ
　Ｎｉ
（ｉ＝ １ ～ ４）ｅｌ
ｅ．　
ｓｙｍｂ０ｌ●　 ｉ
ｓ　ｆ
ｉｒｅ
ｄ　ｎｅｕｒｏｎ　 ｍｅｎｔ ．）（
ｓ，Ｐ（Ｂｃ Ｊ＝ １～Ｎ　）ｄｅｎｏｔ
．
ｉｎｇ　
ｉｔｓｊ
ｔｈ　
ｅｌｅｍｅｎｔ
ｓ，　
ｓｖｍｂｏｌ　Ｏ　ｉ
ｓ　ｎｏｔ
　ｆｉｒ
ｅｄ　ｎｅｕｒｏｎ　 ｗｈｏｓｅ　ｃｏｒｅｓｐｏｎｄｉ
ｎｇ　ａｍｏｕｎｔ
　ｏｆ　ｐｈｅｒ
ｏｍｏｎｅｓ　ｉ
ｓ　ｄｅｎｏｔ
ｅｄ　

ｐｈｅｒ
　Ｐ（Ｂｃ
，．
）．Ａｓ
ｓｕｍｅ　
Ｉｎｃ
　ｄｅｎｏｔ
ｅｓ　
ｔｈｅ
　ｉｎｃｒ
ｅｍｅｎｔ
　ｏｆ
　ｔ
ｈｅ　
Ｆｉ
ｇ．１
　 ５ ×５　ｍ ａｔｒｉ
ｘ　 ｐｈｅｒｏｍｏｎｅ　ａｍｏｕｎｔ
　ｃｏｒ
ｒｅｓｐｏｎｄｉ
ｎｇ　ｔ
ｏ　ｔ
ｈｅ　ｅｌ
ｅｍｅｎｔ
　ｗｈｉ
ｃｈ　
ａｎ　ａｎｔ
　ｃｈｏｏｓｅｓ　ｄｕｒ
ｉｎｇ　ｉ
ｔｓ　ｇｏｉ
ｎｇ　ｆ
ｒｏｍ　ａｎｔ
　ｎｅｓｔ
　ｔｏ　ｆ
ｏｏｄ　
ｓｏｕｒｃｅ．
　

Ｔｈｅ　ｓｔ
ｅｐｓ　ｔｈａｔ
　ａｎｔ
ｓ　ｕｓｅ　ｔ
ｏ　ｓｅａｒ
ｃｈ　ａｒｅ　ｔ
ｈｅ　ｏｐｔ
ｉｍａｌ
　
２　 ｐａｒａｍｅｔ
ｅｒｓ
　ｆｏｒ
　ａ　Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｔ
ｗｏｒ
ｋ：　
Ｓｔ
ｅｐ　１： Ｉ
ｎｉｔ
ｉａｌ
ｉｚｉ
ｎｇ　ｔ
ｈｅ　 ａｍｏｕｎｔ
　ｏｆ
　ｐｈｅｒ
ｏｍｏｎｅ　
ｐｈｅｒ
　Ｐ（Ｂｃ
　）ｏ
ｆ　ｅａｃｈ
　ｅｌ
ｅｍｅｎｔ
　Ｐ（Ｂｃ
　）ｏｆ
　ａｌ
ｌ　ｔ
ｈｅ　ｓ
ｅｔｓ
　
ｌ
　
Ｂ　
ｃ　 ａｎｄ　ｔ
ｈｅＭ ａｎｔ
ｓ　ｓｔ
ａｒｔ
　ｆｒ
ｏｍ　ｔ
ｈｅ　ｎｅｓｔ．
　
ｔ
ｏｕｒ　ｒｏｕｔ
ｅ　
Ｓｔ
ｅｐ　２：Ａｎｔ
ｓ　ｃｈｏｏｓｅ　ｅｌ
ｅｍｅｎｔ
ｓ　ｉ
ｎ　ｅａｃｈ　ｓｅｔ
　ｉｎ　ｔ
ｕｒｎ　
ａｃｃｏｒｄｉ
ｎｇ　ｔ
ｏ　ｐａｔｈ　ｃｈｏｏｓｉ
ｎｇ　ｒ
ｕｌｅ：
　
Ｆｉ
ｇ．２　 Ａ　ｔ
ｏｕｒ
　ｒｏｕｔ
ｅ　ａｎｄ　ｍ ａｔｒ
ｉｘ　
Ｐａｔ
ｈ　ｃｈｏｏｓｉ
ｎｇ　ｒ
ｕｌｅ： ｆ
ｏｒ　ｓｅｔ
　Ｂｃ ．
，
ａｎ　ａｎｔ
　ｃｈｏｏｓｅｓ
　

Ｌｅｔ
　Ｖ４
　ｄｅｎｏｔ
ｅ　ｔ
ｈｅ　ｓ
ｔａｔ
ｅ　ｏｆ
　ｔｈｅ
　ｎｅｕｒ
ｏｎ　ｉ
ｎ　ｒ
ｏｗ　
Ａ，　 ｒ
ａｎｄｏ
ｍｌｙ
　ｉｔｓ
　ｊｔ
ｈ　ｅｌ
ｅｍｅｎｔ
　ａｃ
ｃｏｒ
ｄｉｎｇ　ｔ
ｏ　ｔ
ｈｅ　ｐｒ
ｏｂａｂｉ
ｌｉ
ｔｙ．
　
ｃｏｌ
ｕｍｎ　． Ｈｏｐｆ
ｉｅｌ
ｄ　ｐｒ
ｏｃｅｅｄｓ
　ｆｕｒｔ
ｈｅｒ　ｔ
ｏ　ｄｅｖｅｌ
ｏｐｕｕｌ
ｉｎｅ　 Ｐ　（Ｂ　） ＝　 ｐｈｅｒ Ｐ（Ｂ　，）　
（５）　 ． 　

ａｎ　ｅｎｅｒ
ｙ 　ｆｕｎｃｔ
ｇ ｉｏｎ：
　
Ｅ　Ｐ ：Ｅ１＋Ｅ２＋Ｅ３，
　 （１）
　 ∑ｉ
＝
　ｐ
ｈｅｒ
Ｐ（
１
　
Ｂｃ
ｉ
ｊ）Ｉ
　
Ｓｔ
ｅｐ３： ｒ
ｅｐｅａｔ
　Ｓｔｅｐ　２，ａｌ
ｌ　ａｎｔ
ｓ　ａｒｒ
ｉｖｅ　ａｔ
　ｔｈｅ　ｆ
ｏｏｄ　
Ｅ　＝ｃ
　∑ ∑ ∑　 Ａ　 ｉ
　 Ｊ≠ ｉ
　
＋ｃ
　∑ ∑ ∑　
Ｉ
　 Ｂ≠ ｛
　
，
　
ｓｏｕｒｃｅ．
　

（２）
　 Ｓｔ 　Ｆｏｒ　ａｎ　ａｎｔ， ａｆｔｅｒ　ｉｔ
ｅｐ４： 　ｆ
ｉｎｉ
ｓｈｅｓ
　ｉｔ
ｓ　ｓｅａｒｃｈｉ
ｎｇ　

Ｅ
　＝ｃ，
（∑ ∑　 一ｎ
）　，
　 （
３）　 ｐａｒ
ａｍ ｅｔ
ｅｒ 　ｉ
ｓ ， ｔ
　ａｄ
ｊｕｓ
ｔｓ　
ｔｈｅ
　ａｍｏｕｎｔ
　ｏｆ
　ｐｈｅｒ
ｏｍｏｎｅｓ
　ｃｏｒｅ・
　
ｏ　ｔｈｅ　ｃｈｏｓｅｎ　ｅｌ
ｅｍｅｎｔ
ｓ　ａｃｃｏｒｄｉ
ｎｇ　ｔ
ｏ　ｔ
ｈｅ　ｆ
ｏｌ－
　
Ａ　 ｔ
　
ｓｐｏｎｄｉ
ｎｇ　ｔ
Ｅ３＝ Ｃ４ｄＡ
Ｂ　 （Ｖ　＋
ｌ＋Ｖ　一
１）．
　 （４）
　 ｌ
ｏｗｉｎｇ　ｒ
ｕｌｅ．
　
Ｔｈｅ　ｓｕｂｓｃｒ
ｉｐｔｓ
　ｏｎ　Ｖ’ｓ　ａｒ
ｅ　ｔ
ｏ　ｂｅ　ｔ
ｒｅａｔ
ｅｄ　ｍｏｄｕｌ
ｏ　ｎ　
Ｒｕｌｅ　ｆ
ｏｒ 　
ａｄｊｕｓｔｉ
ｎｇ　ｔｈｅ　ａｍｏｕｎｔ 　
ｏｆ　ｐｈｅｒｏｍｏｎｅ：Ａｆ ｔｅｒ
　
ｔ
ｏ　ｔ
ａｋｅ　ｃａｒ
ｅ　ｏｆ　
ｃｏｎｎｅｃｔ
ｉｎｇ　ｔ
ｈｅ　ｌ
ａｓｔ
　ｃｉ
ｔｙ　ｉ
ｎ　ｔ
ｈｅ　ｔ
ｏｕｒ　
ｔｏ　ｔ
ｈｅ　
ａｎｔｓ
　ｉｎｉ
ｆ ｓ
ｈ　ｔｈｅ ｉ
ｒ　ｏｎｅ　ｃｙｃｌｅ，ｅ ｖｅｒｙ　ｏｎｅ 　ｏｆ　ｔｈｅｍ　ａｄｊｕｓｔｓ
　
ｉｒ
ｆ ｓｔ
　ｏｎｅ． Ｔｈｅ　ｐａｒ
ａｍｅｔ
ｅｒｓ　Ｃ　
ｉｓ　ａｒｅ　ｔ
ｏ　ｂｅ　ｃｈｏｓｅｎ．
　
ｔｈｅ
　ａｍｏｕｎｔ　ｏｆ　ｐｈｅｒｏｍｏｎｅ 　ａｃｃｏｒｄｉｎｇ　
ｔｏ　 ｅｑｕａｔｉｏｎ（６） 　
Ｍｉ
ｎｉｍｉ
ｚｉｎｇ　ｔ
ｈｅ　ｔ
ｅｒｍ　Ｅｌ
　ｆｏｒ
ｃｅｓ
　ｔｈｅ　ｎｅｔ
ｗｏｒｋ　ｔ
ｏ　ａ　
ｐｈｅｒＰ（Ｂ哳）（ｔ＋ ４） ＝ Ｐ ・ｐｈｅ ｒＰ（Ｂ　）（ｔ） ＋　
ｓｔ
ａｔｅ　ｗｉ
ｔｈ　ｎｏ　ｍｏｒ
ｅ　ｔ
ｈａｎ　ｏｎｅ　ｎｅｕｒ
ｏｎ　ｔ
ｕｒｎｅｄ　ｏｎ　ｉ
ｎ　ａｎｙ　
Ｉｎｃ（Ｂｃ 　），　 （６）　
ｒ
ｏｗ　ｏｒ
　ｃｏｌ
ｕｍｎ——ａ　ｒｅｑｕｉ
ｒｅｍｅｎｔ
　ｆｏｒ
　ｔｈｅ　ｓｏｌ
ｕｔｉ
ｏｎ　ｔ
ｏ　ｂｅ　ａ　
ｗｈｅｒｅ　
Ｐ　ｉ
ｓ　ａ　ｃｏｅｉ ｃｉ
ｆ ｅｎｔ　
ｓ ｕｃｈ　ｔｈａｔ（１一ｐ）ｒ ｅｐｒｅｓｅｎｔ
ｓ　ｔ
ｈｅ　
ｐｅｒｍｕｔ
ａｔｉ
ｏｎ． Ｔｈｅ　ｔ
ｅｒｍ　
Ｅ，ｉｓ
　ｍｉ
ｎｉｍｉ
ｚｅｄ　ｗｈｅｎ　ｔ
ｈｅｒ
ｅ　ａｒ
ｅ　
ｅｖａｐｏｒ
ａｔｉ
ｏｎ　ｏｆ　
ｔｒａｉ
ｌ　ｂｅｔ
ｗｅｅｎ　ｔ
ｉｍｅ　 ａｎｄ　
ｔ＋ ４，
　
ｅｘａｃｔ
ｌｙ　ｎ　ｎｅｕｒ
ｏｎｓ
　ｔｕｒｎｅｄ　ｏｎ． Ｔｈｉ
ｓ　ｉ
ｓ　ｕｓｅｆ
ｕｌ　ｔ
ｏ　ｍａｋｅ　
ｓｕｒｅ　ｔ
ｈａｔ
　ｎｅｕｒ
ｏｎｓ
　ｄｏ　ｎｏｔ
　ｃｏｎｖｅｒｇｅ　ｔ
ｏ　ｔ
ｈｅ　ｔ
ｒｉｖｉ
ａｌ“ａｌ
１．ｚｅ—
　
ｌ
ｎｃ（
Ｂ。　
）＝∑Ｉ
ｎｃ　
（Ｂ嘶），
　 （
７）　
ｒｏ” ｓｔａｔｅ ．
Ｈｏｗｅｖｅｒ． ｔ
ｈｉｓ
　ｔｅｒｍ　ｃａｎ　ｂｅ　ｒｅｐｌ
ａｃｅｄ　ｂｙ　ａ　
ｇｌ
ｏｂａｌ—ｂｉ
ａｓ　ｔ
ｅｒｍ　ｆ
ｅｅｄｉ
ｎｇ　ａｌ
ｌ　ｔ
ｈｅ　ｎｅｕｒ
ｏｎｓ
　ｔｏ　ｐｒ
ｏｄｕｃｅ　ｔ
ｈｅ　
ｗｈｅｒ
ｅ　Ｉ
ｎｃ　（Ｂｃ
　）ｉ
ｓ　ｔ
ｈｅ　ｓ
ｕｂｓ
ｔａｎｃｅ （ｐｈｅｒ
ｏｍｏｎｅ
　ｉｎ　ｒ
ｅａｌ
　
ｓａｍｅ　ｅｆ
ｆｅｃｔ
． Ｔｈｅ　ｔ
ｅｒｍ　Ｅ　ｔ
ａｋｅｓ　ｃａｒ
ｅ　ｏｆ　ｔ
ｈｅ　ａｃｔ
ｕａｌ
　ｄｉ
ｓ—　 ａｎｔ
ｓ）ｑｕａｎｔ
ｉｔ
ｙ　ｌ
ａｉｄ
　ｏｎ
　ｐａｒ
ａｍｅ
ｔｅｒ
　Ｐ（Ｂｃ
．．
）ｂｙ
　ｔｈｅ
　ｋｔ
ｈ　ａｎｔ
　
ｔａｎｃｅ　ｍ ｌ
‘ｎｌ
‘ｎｎ’ｚａｔｌ
‘
ｏｎ ．　
ｂｅｔ
ｗｅｅｎ　ｔ
ｉｍｅ　ｔ
　ａｎｄ　ｔ＋ ４；ｉ
ｔ　ｉ
ｓ　ｇｉ
ｖｅｎ　ｂｙ　

Ｉｎｃ
　（Ｂ　） ＝　
・
２６８ ・
　
 维普资讯 http://www.cqvip.com

Ｊ
ｏｕｒ
ｎａｌ
　ｏ
ｆＨａｒ
ｂｉｎ
　Ｉｎ
ｓｔｉ
ｔｕｔ
ｅ　ｏ
ｆ　Ｔ
ｅｃｈｎ
ｏｌｏ
ｇｙ（Ｎｅ
ｗ　Ｓ
ｅｒｉ
ｅｓ），Ｖ
ｏ１．１１，Ｎｏ
．３，２０
０４　

ｒ
　 ｉ
ｆ　
ｋｔｂ　ａｎｔ
　ｕｓｅｓ
　ｐａｒ
ａｍｅｔ
ｅｒ尸（Ｂ　），
　 Ｔａｂ　
３　 Ｓｉ
ｍｕｌ ａｔ
ｉｏｎ　
Ｒｅｓｕ
ｌｔｓ　

｛Ｅ　 ｉ
ｎ　ｉ
ｔｓ
　ｔｏ
ｕｒ（
ｂｅｔ
ｗｅｅｎ
　ｔｉｍｅ　ｔ　
ａｎｄ
　ｔ＋４），
　
【
　 。
ｔｈ　ｗｉ　 ．　
（８）　
ｗｈ
ｅｒｅ
　Ｑ　
ｉｓ
　ａ　
ｐｏｓ
ｉｔ
ｉｖ
ｅ　ｃ
ｏｎｓ
ｔａｎ
ｔ，ｉ
ｔ　ｉ
ｓ　ｕｓ
ｅｄ　
ｔｏ　
ａｄｊ
ｕｓｔ
　ｔｈ
ｅ　
ｓ
ｐｅｅｄ
　ｏｆ
　ａｄ
ｊｕｓ
ｔｉｎｇ　
ｔｈｅ　
ａｍｏｕｎｔ
　ｏｆ
　ｐｈｅｒ
ｏｍｏｎｅ．
　
Ｓｔ
ｅｐ　５： Ｔｈｅ　ａｂｏｖｅ　ｓｔ
ｅｐｓ　ｃｏｎｔ
ｉｎｕｅ， ｕｎｔ
ｉｌ　ａｌ
ｌ　ａｎｔ
ｓ　
ｃｏｎｖｅｒ
ｇｅ　ｏｎ　ｔ
ｈｅ　ｓａｎｌ
ｅ　ｐａｔ
ｈ　ｏｒ　ａ　ｇｅｎｅｒａｔｉ
ｏｎ　ｎｕｍｂｅｒ
　ｉｓ
　
ｌ
ａｇｅｒ　ｔ
ｈａｎ　ｔ
ｈｅ　ｇｉ
ｖｅｎ　ｎｕｍｂｅｒ．
　

心 　
ｔ
ｈｅ　ｓａｍｅ　ａｓ
　ｔｈｅ　ｏｐｔ
ｉｍａｌ
　ｔｏｕｒ． Ｗ ｈｉ
ｌｅ　ｕｓｉ
ｎｇ　ａ　ｓｔ
ａｎｄａｒ
ｄ　
Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｕｒ
ａｌ　ｎｅｔ
ｗｏｒ
ｋ，ｏｎｌ
ｙ　３７　ｖａ
ｌｉｄ　ｓ
ｏｌｕｔ
ｉｏｎｓ
　ｃｏｕｌ
ｄ　
ｂｅ
　ｏｂｔ
ａｉｎｅｄ
　ｉｎ　５０　ｅｘｐｅ
ｉｍｅｎｔ
ｒ ｓ， ａｎｄ　ｔ
ｈｅ　ｂｅｓ
ｔ　ｓ
ｏｌｕｔ
ｉｏｎ　
ｈａｓ　ａ　
ｌｅｎｇｔｈ　ｏｆ　
３．６３．５％ ｌ
ｏｎｇｅｒ
　ｔｈａｎ　ｔ
ｈｅ　ｏｐｔ
ｉｍａｌ
　ｔｏｕｒ．
　
●　 ●　

ａｎｔ
　ｎｅｓｔ
　 ｆ
ｏｏｄ　ｓ
ｏｕｒ
ｃｅ　

Ｆｉ
ｇ．３　 Ｓｅｌ
ｅｃｔｉ
ｎｇ　
ｐａｒｅｍ ｅｔ
ｅｒｓ　

Ｆｉ
ｇ．４　 Ｂｅｓｔ
　ｔｏｕｒ　ｒｅｓｕｌ
ｔｓ　
３　 Ｓｉ
ｅ ｕｌ
ｒ ａｔｉ
ｏｎ　Ｒｅｓ
ｕｌｔ
ｓ　
４　 Ｃｏｎｃｌ
ｕｓｉ
ｏｎ　
Ｔｈｅ　ａｂｏｖｅ　ｍｅｔ
ｈｏｄ　ｈａｓ　ｂｅｅｎ　ｔ
ｅｓｔ
ｅｄ　ｏｎ　ｔ
ｗｏ　ＴＳＰ　
ｐｒ
ｏｂｌ
ｅｍｓ．５
　ｃｉ
ｔｉｅ
ｓ　ａｎｄ　１
０　ｃｉ
ｔｉ
ｅｓ． Ｃｏｏｒ
ｄｉｎａｔ
ｅｓ　ｉ
ｎ　ｔ
ｈｅｓ
ｅ　 Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｕｒａｌ
　ｎｅｔ
ｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ａｎｔ
　ｓｙｓｔ
ｅｍ　ｉ
ｓ　
ｐｒ
ｏｂｌ
ｅｍｓ　ａｒ
ｅ　ｓｈｏｗｎ　ｉ
ｎ　Ｔａｂｓ．１
　ａｎｄ　２． Ｔ
ｈ ｅ　ｒｅｓｕｌｔ
ｓ　ｏｂ．
　 ｐｒｅｓｅｎｔ
ｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ． Ｈｏｐｆ
ｉｅｌｄ　ｎｅｕｒａｌ　ｎｅｔｗｏ
ｒｋ　ｈａｓ
　
ｔ
ａｉｎｅｄ
　ａｆ
ｔｅｒ
　５０　
ｔｅｓ
ｔｓ　
ａｒｅ
　ｓｈｏ
ｗｎ　ｉ
ｎ　Ｔａ
ｂ．３．Ｔｈｅ　
ｂｅｓｔ
　ｔｏｕｒ
　 ｂｅｅｎ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｔ
ｏ　ｓｏｌ
ｖｅ　ｏｐｔ
ｉｍｉｚａｔｉ
ｏｎ　ｐｒｏｂｌｅｍｓ． Ｈｏｗ．
　
ｒｅｓｕｌ
ｔｓ　ａｒｅ　ｓｈｏｗｎ　ｉ
ｎ　Ｆｉ
ｇ． ４． Ｔｈｅｙ　ａｒ
ｅ　ｃｏｍｐａｒｅｄ　ｗｉ
ｔｈ　 ｅｖ
ｅｒ，ｔ
ｈｅ　ｃｏｎｔ
ｒｏｌ
　ｐａｒ
ａｍｅｔ
ｅｒｓ
　ｆｏｒ
　ｔｈｉ
ｓ　ｗｏｒ
ｋ　ｈａｖｅ
　ｔｏ
　ｂｅ
　
ｔ
ｈｅ　ｒ
ｅｓｕｌ
ｔｓ　ｕｓｉ
ｎｇ　ｓｔ
ａｎｄａｒｄ　Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｕｒａ】ｎｅｔ
ｗｏｒｋ． Ｉ
ｎ　 ｅａｒ
ｅｆｕｌ
ｌｙ　
ｓｅｌ
ｅｃｔ
ｅｄ． ｏｒ
　ｅｌ
ｓｅ　ｔ
ｈｅ　ｎｅｔ
ｗｏｒ
ｋ　ｉ
ｓ　ａｐｔ
　ｔｏ
　ｃｏｎ．
　
ｔ
ｈｅ　５　ｃｉ
ｔｉｅｓ　ｐｒｏｂｌ
ｅｍ ．ｔ
ｈｅ　ｓｏｌ
ｕｔｉ
ｏｎ　ｆ
ｒｏｍ　ｏｕｒ
　ａｌ
ｇｏｒ
ｉｔｈｍ　ｉ
ｓ　 ｖｅｒｇｅ　ｔ
ｏ　ｌ
ｏｃａｌ
　ｍｉ
ｎｉｍｕｍ ． Ｉｎ　ｔ
ｈｉｓ　ｐａｐｅｒ，ｔ
ｈｅｓｅ　ｐａｒ
ａｍｅ－
　
ｔ
ｈｅ　ｓａｍｅ　ａｓ　ａ　Ｓｔ
ａｎｄａｒ
ｄ　Ｈｏｐｆ
ｉｅｌ
ｄ　ｎｅｔ
ｗｏｒｋ． Ｉｎ　ｔ
ｈｅ　１０　 ｔ
ｅｒｓ　ｃｏｕｌ
ｄ　ｂｅ　ｏｂｔ
ａｉｎｅｄ　ｂｙ　ａ　ｇｒｏｕｐ　ｏｆ　ｃｏｏｐｅｒａｔ
ｉｎｇ　ｗｏｒｋ－
　
ｃｉ
ｔｉｅｓ
　ｐｒ
ｏｂｌ
ｅｍ 。ｔ
ｈｉｓ
　ｍｅｔ
ｈｏｄ　ｃａｎ　ｐｒ
ｏｄｕｃｅ　４８ （９６％ ）
　 ｉ
ｎｇ　ａｎｔ
ｓ． Ｔｈｉ
ｓ　ｎｅｔ
ｗｏｒｋ　ｈａｓ
　ｂｅｅｎ　ｄｅｍｏｎｓｔ
ｒａｔ
ｅｄ　ｉ
ｎ　ＴＳＰ　
ｖａｌｉ
ｄ　ｓｏｌ
ｕｔｉ
ｏｎｓ．ａｎｄ　ｔ
ｈｅ　ｂｅｓｔ
　ｔｏｕｒ
　ｈａｓ
　ａ　ｌ
ｅｎｇｔ
ｈ　ｏｆ
　３．４６．
　 ｐｒ
ｏｂｌ
ｅｍ　ｏｆ　５　ｃｉ
ｔｉｅｓ　ａｎｄ　１０　ｃｉ
ｔｉｅｓ． Ｔ
ｈ ｅ　ｒｅｓｕｌ
ｔｓ　ｈａｖｅ　
ｓｈｏｗｎ　ａ　ｓｉ
ｇｎｉ
ｆｃａｎｔ
　ｉｍｐｒｏｖｅｍｅｎｔ
　ｕｓｉ
ｎｇ　ｔ
ｈｅ　ａｌ
ｇｏｒ
ｉｔｈｍ．
　
Ｔａｂ．１
　 Ｃｏｏｒｄｉ
ｎａｔ
ｅｓ　ｉ
ｎ　５　ｃｉ
ｔｉｓ　
ｅ
Ｒｅｆ
ｅｒｅｎｃｅｓ：
　

　１
Ｊ　Ｊ
　 Ｄ０ＲＩ
Ｇ０　
Ｍ，ＭＡＮＩ
ＥＺＺ０　
Ｖ，Ｃ０Ｌ０ＲＮＩ
　Ａ．Ａｎｔ
　ｓｙｓ
ｔｅｍ：
　
ｏ
ｐｔｉ
ｍｉｚ
ａｔｉ
ｏｎ　
ｂｙ　
ａ　ｃ
ｏｌｏｎ
ｙ　ｏ
ｆ　ｃ
ｏｏｐ
ｅｒａ
ｔｉｎ
ｇ　ａ
ｇｅｎ
ｔ［Ｊ］
．ＩＥＥＥ　
Ｔｒ
ａｎｓａｃｔ
ｉｏｎｓ
　ｏｎ　Ｓｙｓｔ
ｅｍｓ，Ｍ ａｎ，ａｎｄ　Ｃｙｂｅｒｎｅｔ
ｉｃｓ， １９９６．
　
２６（１）：２９—４１．
　
　２　ｌ
１ 　 Ｃ０ＬＯＲＮＩ
　Ａ． Ｈｅｕｒ
ｉｓｔ
ｉｃｓ
　ｆｒｏｍ　ｎａ
ｔｕｒ
ｅ　ｆ
ｏｒ　ｈａｒ
ｄ　ｃｏｍｂｉ
ｎａｔ
ｏ．　
ｒ
ｉｌ　
ａ ｏ
ｐｔｉ
ｍｉｚ
ａｔｉ
ｏｎ　ｐ
ｒｏｂ
ｌｅｍｓ［Ｊ］．Ｉ
ｎｔ　Ｔｒ
ａｎｓ
　ｉｎ
　Ｏｐｎ
ｌ　Ｒｅ
ｓ，　
Ｉ９９６，３（１）：
１—２１．
　
Ｔａｂ．２　 Ｃｏ
ｏ ｒｄｉ
ｎａｔ
ｅｓ　ｉ
ｎ　１０　ｃｉ
ｔｉｓ　
ｅ
｛３　
ｆ　 Ｃ０ＲＮＥ　Ｄ，Ｄ０ＲＩ Ｇ０　Ｍ，ＧＬ０ＶＥＲ　Ｆ．Ｎｅｗ　 Ｉｄ
ｅａｓ　ｉ
ｎ　Ｏｐ．
　
ｙ　 ｔｉ
ｍｉｚ
ａｔｉ
ｏｎ［Ｍ］．Ｎｅ ｗ　
Ｙｏｒｋ：Ｍｃ
Ｇｒａｗ—Ｈｉ ｌ
１，１９９９．
　
Ｏ　 Ｏ．３ｏｏ　 Ｉ
　４　　 ＨＯＰＦＩ
ｌ ＥＬＤ　
Ｊ　Ｊ，ＴＡＮＫ　Ｄ　Ｗ．Ｎｅｕｒａ
ｌ　ｃ
ｏｍｐ ｕｔａ
ｔｉｏ
ｎ　ｏｆ　
ｄｅ．
　
Ｏ．４ｌ８　 ０．２３７　
ｃ
ｉｓｉ
ｏｎｓ
　ｉｎ
　ｏｐｔ
ｉ￣
・ｉ
ｆｚ
ａｔｉ
ｏｎ　
ｐｒｏ
ｂｌｅｍｓ［
Ｊ］．Ｂｉ
ｏｌｏ
ｇｉｃａ
ｌ　Ｃｙ
ｂｅｒ
ｎｅｔ
—　
ｊ
ｃｓ，１９８５，５２：１４１— １５２．
　
０．６２７　 ０．０９ｌ
　
：
５　ｊ
　 ＷＩ
ＬＳ０Ｎ　
Ｇ　Ｖ，ＰＡＷＬＥＹ　
Ｇ　Ｓ．Ｏｎ
　ｓｔ
ａｂｉ
ｌｉ
ｔｙ　
ｏｆ　
ｔｈｅ
　ｔｒ
ａｙｅ
１．　
０．７３２　 Ｏ．３ｏｏ　
１
ｉｎｇ　ｓａｌ
ｅｓｍａｎ　ｐｒ
ｏｂｌ
ｅｍ　ａ
ｌｇｏｒ
ｉｔｈｍ　ｏｆ　Ｈｏｐｆ
ｉｅ／
ｄ　ａｎｄ　ｔ
ａｎｋ　
１．０４５　 ０．６ｌ
４　
ｌ
　Ｊ
　１．Ｂｉ
ｏ　Ｃｖ
ｂｅｒ
ｎ，ｌ
９９８，
５８：
６３～７０．
　
０．９６２　 ０．９４８
　
０．８３６　 ｌ，ｌ３６　

０．６２７　 ８６５　

０．６９０　 ０．３８４　

０．３ｌ４　 ０．４０５　

・
２６９ ・