558
个编辑
更改
跳到导航
跳到搜索
第543行：
第543行： + + +
→因果涌现的量化指标
</blockquote>
</blockquote>
这一关系进一步更加精确地证明了<math>\Gamma_\alpha</math>与<math>EI</math>的线性关系，也就意味着它们在一定程度上可以相互替代。
这一关系进一步更加精确地证明了<math>\Gamma_\alpha</math>与<math>EI</math>的线性关系，也就意味着它们在一定程度上可以相互替代。
和离散的概率转移矩阵有所不同，高斯系统因果涌现现象的本质在于其高维条件概率存在冗余的欧式空间维度，这些维度会造成不可逆的产生，由两个方向的协方差矩阵的逆对应等于零或接近零奇异值的奇异向量表示。因果涌现的量化本质上，是通过测量当这些冗余维度被潜在的最佳粗粒度化策略去除时的平均可逆性或随机性的潜在最优结果来实现的。
==高斯噪声迭代系统基于SVD的粗粒化策略==
==高斯噪声迭代系统基于SVD的粗粒化策略==
在得到基于奇异值的因果涌现之后，和TPM矩阵类似，我们也可以根据逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>的奇异向量，指定在高斯迭代系统上的粗粒化策略，将高维的向量映射到低维空间。基于SVD的理论，<math>𝐴^𝑇Σ^{−1}𝐴</math>和<math>Σ^{−1}</math>都是对称矩阵，因此我们可以直接得到SVD分解
在得到基于奇异值的因果涌现之后，和TPM矩阵类似，我们也可以根据逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>的奇异向量，指定在高斯迭代系统上的粗粒化策略，将高维的向量映射到低维空间。基于SVD的理论，<math>𝐴^𝑇Σ^{−1}𝐴</math>和<math>Σ^{−1}</math>都是对称矩阵，因此我们可以直接得到SVD分解