5,443
个编辑
更改
跳到导航
跳到搜索
第262行：
第262行： − 注：以下TPM行列对应的系统状态，排列按照以下python代码生成，其中num_nodes是网络中布尔变量的个数。+
→基于变量的因果涌现实例
在下面的讨论中，[math]X_m[/math]表示微观变量的集合；[math]X_M[/math]表示宏观变量的集合。微观变量的取值集合为[math]\{0,1\}[/math]，即都是布尔值变量，我们用拉丁字母[math]\{A, B, C…\}[/math]来表示，宏观变量则用希腊字母[math]\{α， β， γ. .\}[/math]表示。每个微观变量的状态标记为[math]\{0,1\}[/math]，宏观变量的状态标记为[math]\{“on”，“off”\}[/math]或[math]\{“bursting”，“quiet”\}[/math]。微观态对应的转移概率矩阵(TPM)为[math]P_m[/math]，宏观态对应的转移概率矩阵(TPM)为[math]P_M[/math]。
在下面的讨论中，[math]X_m[/math]表示微观变量的集合；[math]X_M[/math]表示宏观变量的集合。微观变量的取值集合为[math]\{0,1\}[/math]，即都是布尔值变量，我们用拉丁字母[math]\{A, B, C…\}[/math]来表示，宏观变量则用希腊字母[math]\{α， β， γ. .\}[/math]表示。每个微观变量的状态标记为[math]\{0,1\}[/math]，宏观变量的状态标记为[math]\{“on”，“off”\}[/math]或[math]\{“bursting”，“quiet”\}[/math]。微观态对应的转移概率矩阵(TPM)为[math]P_m[/math]，宏观态对应的转移概率矩阵(TPM)为[math]P_M[/math]。
注：下面涉及到的TPM行列对应的系统状态排列，均按照以下python代码生成，其中num_nodes是网络中布尔变量的个数。
<syntaxhighlight lang="python3">
<syntaxhighlight lang="python3">
state_space = list(np.array(np.meshgrid(*[[0, 1]] * num_nodes)).T.reshape(-1, num_nodes))
state_space = list(np.array(np.meshgrid(*[[0, 1]] * num_nodes)).T.reshape(-1, num_nodes))