5,443
个编辑
更改
跳到导航
跳到搜索
第364行：
第364行： − + − + − 我们简单分析一下D的情况，当D为0时，和“冻结”例子就非常相似，A，B，C之间的响应变为COPY机制；当D为1时，A，B，C下一时刻将全为1。+ − 因此，具体的粗粒化规则为：将变量D去掉，从而得到内生变量A，B，C构成的宏观系统，而宏观动力学为每个变量的状态由指向它的系统内变量的状态拷贝而来。+ + + + +
→黑盒化外部变量
|}
|}
其中，A,B,C三个变量的微观动力学与上例相同，而“黑盒”外部化变量D则与前面例子不同之处在于，变量D接受来自另外三个变量的输入，并且它的响应方式为逻辑判断“三个输入加和是否等于3”。
其中，A,B,C三个变量的微观动力学与上例相同，而“黑盒”外部化变量D则与前面例子不同之处在于，变量D接受来自另外三个变量的输入，并且它的响应方式为逻辑判断“三个输入加和是否等于3”，也就是只有A,B,C同时为1的时候，D才转移至1。
在所有变量都是内生变量时，所有状态都发生的是确定性转移，因为机制是完全确定的。在将变量D做黑盒化处理后，相当于我们不再关注它的变化了。举例来说，当{ABC}的状态为{110}时，在干预分布是最大熵分布的情况下，有一半的概率下一时刻转移至{111}（对应当前黑盒的D状态为1），另一半的概率继续保持至{110}，（对应当前黑盒D的状态为0），意味着转移不再是确定性的，黑盒化操作给系统引入了噪声。
在所有变量都是内生变量时，所有状态都发生的是确定性转移，因为机制是完全确定的。在将变量D做黑盒化处理后，相当于我们不再关注它的变化了。举例来说，当{ABC}的状态为{110}时，假设采样发现D取0和1的概率分别是0.8和0.2（可人为设定，但要注意取0的概率远大于1），那么下一时刻，有0.8的概率继续保持{110}（对应当前黑盒D的状态为0），而有0.2的概率转移至{111}（对应当前黑盒的D状态为1）。相比于原四变量系统，黑盒化D后的三变量系统的转移不再是确定性的，D的变化仅视作系统的噪声。
从原TPM得到黑盒化后的TPM，需要将变量D的概率边际化（marginalize），可参考如下三步操作：
（1）行向量处理：a. 将D=0和1的行向量乘以对应概率，即0.8和0.2；b. 对应ABC状态相同的行向量两两相加，例如{ABCD} = {1100} 和 {ABCD} = {1101}相加合并，得到的即为{ABC} = {110}下一时刻向各状态转移的概率情况，操作后的TPM行数量减半；
（2）列向量处理：同上步骤b，对应ABC状态相同的列向量两两相加，完成后列数量也减半；
（3）归一化：行归一化新TPM，得到{ABC}各状态之间的转移概率矩阵。
== 应用 ==
== 应用 ==