5,443
个编辑
更改
跳到导航
跳到搜索
第116行：
第116行： − + − − 由于归一化的EI消除了系统尺寸的影响，因此这种方式得到的因果涌现度量值更大。
→因果涌现度量
这里[math]P_m[/math]为微观状态的马尔科夫概率转移矩阵，维度为：[math]N\times N[/math]，N为微观的状态数；而[math]P_M[/math]为对[math]P_m[/math]做粗粒化操作之后得到的宏观态的马尔科夫概率转移矩阵，维度为[math]M\times M[/math]，其中[math]M<N[/math]为宏观状态数。
这里[math]P_m[/math]为微观状态的马尔科夫概率转移矩阵，维度为：[math]N\times N[/math]，N为微观的状态数；而[math]P_M[/math]为对[math]P_m[/math]做粗粒化操作之后得到的宏观态的马尔科夫概率转移矩阵，维度为[math]M\times M[/math]，其中[math]M<N[/math]为宏观状态数。
如果计算得出的CE>0，则称该系统发生了[[因果涌现]]，否则没有发生。有时，我们也会根据归一化的EI来计算[[因果涌现度量]]，即：
如果计算得出的CE>0，则称该系统发生了[[因果涌现]]，否则没有发生。有时，我们也会根据归一化的EI来计算[[因果涌现度量]]，消除系统尺寸的影响，即：
<math>
<math>
ce = Eff(P_M) - Eff(P_m)
ce = Eff(P_M) - Eff(P_m)
</math>
</math>
因果涌现的度量可以拆解出两种效应：1.系统机制有效性的提升 <math>\Delta{I_{Eff}}</math>；2.状态空间的尺度效应 <math>\Delta{I_{Size}}</math>。
因果涌现的度量可以拆解出两种效应：1.系统机制有效性的提升 <math>\Delta{I_{Eff}}</math>；2.状态空间的尺度效应 <math>\Delta{I_{Size}}</math>。