140
个编辑
更改
跳到导航
跳到搜索
第55行：
第55行： − 第201行：
第200行： − + + 第399行：
第399行： − + − + − + − + + − + − + − + 第429行：
第430行： − + 第437行：
第438行： + 第456行：
第458行： − + 第470行：
第472行： − + 第476行：
第478行： − + − + − + 第491行：
第493行： − + 第499行：
第501行： − + − + − + − + 第522行：
第524行： − + 第529行：
第531行： − + 第536行：
第538行： − + − + − + − + 第555行：
第557行： − + − + − + − + − + − + − + − +
无编辑摘要
<blockquote>
<blockquote>
<math>
<math>
\begin{aligned}
\begin{aligned}
r=\sum_{i=1}^{N}\sigma_{i}^{0}
r=\sum_{i=1}^{N}\sigma_{i}^{0}
\chi
\chi
</math>，如果<math>r≡rank(P)<N</math>，则该系统中会出现明显的因果涌现。且因果涌现的程度为：
</math>，如果<math>r≡rank(P)<N</math>，则该系统中会出现明显的因果涌现。且因果涌现的程度为：
<blockquote>
<math>\begin{aligned}
<math>\begin{aligned}
\Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N})
\Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N})
\end{aligned}
\end{aligned}
</math>
</math>
</blockquote>
==模糊因果涌现==
==模糊因果涌现==
对于具有TPM P的给定马尔可夫链<math>
对于具有TPM P的给定马尔可夫链<math>
=附录=
=附录=
'''引理1：'''对于一个概率转移矩阵TPM <math>P=(P_{1}，P_{2}，...,P_{N})^{T}</math>，其中<math>P_{i}</math>是第i个行向量，那么：
'''引理1：'''对于一个概率转移矩阵TPM <math>P=(P_{1}，P_{2}，...,P_{N})^{T}</math>，其中<math>P_{i}</math>是第i个行向量，那么：
<blockquote>
<math>
<math>
P_{i}\cdot P_{j}\le 1, \forall i,j\in [1,N]
P_{i}\cdot P_{j}\le 1, \forall i,j\in [1,N]
</math>
</math>
</blockquote>
'''证明:''' 由于Pi是概率分布，因此它应满足归一化条件，可表示为：
'''证明:''' 由于Pi是概率分布，因此它应满足归一化条件，可表示为：
<blockquote>
<math>
<math>
|P_{i}|_{1}=\sum_{j=1}^{N} p_{ij}=1
|P_{i}|_{1}=\sum_{j=1}^{N} p_{ij}=1
</math>
</math>
</blockquote>
其中<math>
其中<math>
|\cdot|_{1}
|\cdot|_{1}
</math>是矢量的一阶范数，它被定义为所有元素的绝对值的总和。因此：
</math>是矢量的一阶范数，它被定义为所有元素的绝对值的总和。因此：
<blockquote>
<math>
<math>
P_{i}\cdot P_{j}=|P_{i}\cdot P_{j}|_{1}\le \cdot |P_{i}|_{1}\cdot |P_{j}|_{1}=1
P_{i}\cdot P_{j}=|P_{i}\cdot P_{j}|_{1}\le \cdot |P_{i}|_{1}\cdot |P_{j}|_{1}=1
</math>
</math>
</blockquote>
'''引理2：'''对于TPM P，我们可以用如下形式书写：
'''引理2：'''对于TPM P，我们可以用如下形式书写：
<blockquote>
<math>P=(P_{1},P_{2},...,P_{N})^{T}
<math>P=(P_{1},P_{2},...,P_{N})^{T}
</math>
</math>
</blockquote>
其中Pi是第i个行向量。然后假设P的奇异值为<math>
其中Pi是第i个行向量。然后假设P的奇异值为<math>
(\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{N}\ge0)
(\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{N}\ge0)
那么P的所有奇异值满足：
那么P的所有奇异值满足：
<blockquote>
<math>
<math>
\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{r}\ge 1
\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{r}\ge 1
\sigma_{r+1}=\sigma_{r+2}=...=\sigma_{N}=0
\sigma_{r+1}=\sigma_{r+2}=...=\sigma_{N}=0
</math>
</math>
</blockquote>
其中r是矩阵P的秩。
其中r是矩阵P的秩。
P\cdot P^{T}=1
P\cdot P^{T}=1
</math>的矩阵具有以下形式：
</math>的矩阵具有以下形式：
<blockquote>
<math>
<math>
P\cdot P^{T}=\begin{matrix}
P\cdot P^{T}=\begin{matrix}
\end{pmatrix},
\end{pmatrix},
</math>
</math>
</blockquote>
其中，除了对角线元素和i、j和j、i处的元素外，所有元素均为0。从公式 A37 中，我们知道第 i 行与第 j 行相同。因此，<math>
其中，除了对角线元素和i、j和j、i处的元素外，所有元素均为0。从公式 A37 中，我们知道第 i 行与第 j 行相同。因此，<math>
P\cdot P^{T}
P\cdot P^{T}
P_{i}\cdot P_{j}=1
P_{i}\cdot P_{j}=1
</math>，那么最后N−r个奇异值全为零。P的秩为r。所以：
</math>，那么最后N−r个奇异值全为零。P的秩为r。所以：
<blockquote>
<math>
<math>
\sigma_{r+1}=\sigma_{r+2}=...=\sigma_{N}=0
\sigma_{r+1}=\sigma_{r+2}=...=\sigma_{N}=0
</math>
</math>
</blockquote>
在这种情况下，<math>
在这种情况下，<math>
P\cdot P^{T}
P\cdot P^{T}
</math>可以被写作：
</math>可以被写作：
<blockquote>
<math>
<math>
P\cdot P^{T}=\begin{pmatrix}
P\cdot P^{T}=\begin{pmatrix}
\end{pmatrix},
\end{pmatrix},
</math>
</math>
</blockquote>
其中<math>
其中<math>
I_{(r-1)\times (r-1)}
I_{(r-1)\times (r-1)}
\mathbb{I}
\mathbb{I}
</math>是所有元素分别均为0和1的矩阵。因此，P的奇异值按降序排列为：
</math>是所有元素分别均为0和1的矩阵。因此，P的奇异值按降序排列为：
<blockquote>
<math>\sigma=(\sqrt{N-r+1},1,1,...,1,0,0,...,0)
<math>\sigma=(\sqrt{N-r+1},1,1,...,1,0,0,...,0)
</math>
</math>
</blockquote>
因此：
因此：
<blockquote>
<math>
<math>
\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{r}\ge 1
\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{r}\ge 1
</math>
</math>
</blockquote>
情况2：如果<math>
情况2：如果<math>
P_{i}\cdot P_{j}=1
P_{i}\cdot P_{j}=1
'''证明：'''因为<math>0\le\alpha\le 2</math>，所以<math>f(x)=x^{\alpha /2}</math>是凹函数，根据命题 4，我们有：
'''证明：'''因为<math>0\le\alpha\le 2</math>，所以<math>f(x)=x^{\alpha /2}</math>是凹函数，根据命题 4，我们有：
<blockquote>
<math>
<math>
\begin{align}
\begin{align}
\end{align}
\end{align}
</math>
</math>
</blockquote>
'''引理4：'''当且仅当任何i的Pi行向量相同时，非零TPM P的秩才能达到最小值1。在这种情况下：
'''引理4：'''当且仅当任何i的Pi行向量相同时，非零TPM P的秩才能达到最小值1。在这种情况下：
'''证明：'''如果P的秩为1，则Pi的所有N-1个行向量，∀i∈[1, N]都可以用第一个行向量P1的线性函数来表示，因此
'''证明：'''如果P的秩为1，则Pi的所有N-1个行向量，∀i∈[1, N]都可以用第一个行向量P1的线性函数来表示，因此
<blockquote>
<math>Pi = k·P1</math>
<math>Pi = k·P1</math>
</blockquote>
其中 k > 0。
其中 k > 0。
但是，因为<math>|Pi|_{1} = 1</math>，因此 k 必须为 1。因此：
但是，因为<math>|Pi|_{1} = 1</math>，因此 k 必须为 1。因此：
<blockquote>
<math>Pi = Pj,\forall i, j\in [1,N]</math>
<math>Pi = Pj,\forall i, j\in [1,N]</math>
</blockquote>
另一方面，如果等式A51成立，则P的秩应该为1。在这种情况下，<math>
另一方面，如果等式A51成立，则P的秩应该为1。在这种情况下，<math>
P\cdot P^{T}=|P_{1}|^{2}\cdot \mathbb{I}_{N\times N},
P\cdot P^{T}=|P_{1}|^{2}\cdot \mathbb{I}_{N\times N},
'''证明：'''因为：
'''证明：'''因为：
<blockquote>
<math>
<math>
\sum_{i=1}^{N}(x_{i}^{\alpha})^{2}\le (\sum_{i=1}^{N} x_{i}^{\alpha})^{2},
\sum_{i=1}^{N}(x_{i}^{\alpha})^{2}\le (\sum_{i=1}^{N} x_{i}^{\alpha})^{2},
</math>
</math>
</blockquote>
因此：
因此：
<blockquote>
<math>log\frac{\sum_{i=1}^{N} x_{i}^{2\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
<math>log\frac{\sum_{i=1}^{N} x_{i}^{2\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
</blockquote>
更进一步，由于log是凹函数，因此：
更进一步，由于log是凹函数，因此：
<blockquote>
<math>
<math>
\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}})\cdot log x_{i}^{\alpha}\le log\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}}\cdot x_{i}^{\alpha}),
\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}})\cdot log x_{i}^{\alpha}\le log\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}}\cdot x_{i}^{\alpha}),
</math>
</math>
</blockquote>
因此，结合等式A56 和 A57，我们有：
因此，结合等式A56 和 A57，我们有：
<blockquote>
<math>\frac{\sum_{i=1}^{N} x_{i}^{\alpha}\cdot log x_{i}^{\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
<math>\frac{\sum_{i=1}^{N} x_{i}^{\alpha}\cdot log x_{i}^{\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
</blockquote>
=参考文献=
=参考文献=
<references />
<references />