更改

<math>M_l=M_{l-1}/∼</math>的含义是，在<math>l-1</math>级上被区别对待的状态在<math>l</math>级上可以被视为同一个因果态。此时因果态集合<math>\mathcal{S} </math>和因果态上的转移概率映射集合<math>T</math>都被更新了；

<math>M_l=M_{l-1}/∼</math>的含义是，在<math>l-1</math>级上被区别对待的状态在<math>l</math>级上可以被视为同一个因果态。此时因果态集合<math>\mathcal{S} </math>和因果态上的转移概率映射集合<math>T</math>都被更新了；

3. 收集更多的数据，增大序列长度<math>L </math>，得到更加精确的一系列模型<math>M_l</math>；

3. 收集更多的数据，增大序列长度<math>L </math>，得到更加精确的一系列模型<math>M_l</math>和因果态集合<math>\mathcal{S} </math>；

4. 根据统计复杂度可计算的定义<math>C_\mu(\mathcal{x})\equiv H[\mathcal{S}] </math>，计算模型<math>M_l</math>的统计复杂度。如果随着<math>L </math>增大，模型的统计复杂度发散，即<math>C_μ(M_l) = \lVert M_l \rVert \underset{L \to 0}{\to} \infty</math>，那么回到第二步，得到更高级模型<math>M_{l+1}</math>；

4. 根据统计复杂度可计算的定义<math>C_\mu(\mathcal{x})\equiv H[\mathcal{S}] </math>，计算模型<math>M_l</math>的统计复杂度。如果随着<math>L </math>增大，模型的统计复杂度发散，即<math>C_μ(M_l) = \lVert M_l \rVert \underset{L \to 0}{\to} \infty</math>，那么回到第二步，得到更高级模型<math>M_{l+1}</math>；