812
个编辑
更改
跳到导航
跳到搜索
第918行：
第918行： − + − + 第933行：
第933行： −
→高阶网络聚类 Higher-Order Macronodes (HOM)
## 当待合并节点<math>A</math>指向同一个输出节点时；
## 当待合并节点<math>A</math>指向同一个输出节点时；
## 当待合并节点<math>A</math>指向不同输出节点时；
## 当待合并节点<math>A</math>指向不同输出节点时；
# 待合并节点<math>A</math>的出流的计算方式都不一样，如图（8）所示：
# 待合并节点<math>A</math>的出流的计算方式都不一样，如图（10）所示：
[[文件:HOM示例.png|无|图8：HOM节点边权合并示意图|缩略图|500x500像素]]
[[文件:HOM示例.png|无|图10：HOM节点边权合并示意图|缩略图|500x500像素]]
论文<ref name=":19" />中提到，原始微观动力学与使用该方法聚合后的宏观动力学能够满足其定义的一致性。
论文<ref name=":19" />中提到，原始微观动力学与使用该方法聚合后的宏观动力学能够满足其定义的一致性。
Barnett & Seth 的动力学解耦文章中<ref name=":26" /> 把宏观变量定义为确定性粗粒化 <math>Y_t=f(X_t)</math>，实际上用到了平稳分布加权平均。如果我们额外假设微观过程 <math>X_t</math> 是有限状态一阶 Markov 链，且忽略或不显式保留 <math>Y</math> 的历史依赖，那么宏观块 <math>M</math> 的出流应按组内微观状态在平稳分布下的条件概率加权：<math>P'_{MN}=\sum_{i\in M} \frac{\pi_i}{\sum_{k\in M}\pi_k} \sum_{j\in N}P_{ij}</math>。因此，在这些附加假设下，它可以归为平稳分布加权聚合。
Barnett & Seth 的动力学解耦文章中<ref name=":26" /> 把宏观变量定义为确定性粗粒化 <math>Y_t=f(X_t)</math>，实际上用到了平稳分布加权平均。如果我们额外假设微观过程 <math>X_t</math> 是有限状态一阶 Markov 链，且忽略或不显式保留 <math>Y</math> 的历史依赖，那么宏观块 <math>M</math> 的出流应按组内微观状态在平稳分布下的条件概率加权：<math>P'_{MN}=\sum_{i\in M} \frac{\pi_i}{\sum_{k\in M}\pi_k} \sum_{j\in N}P_{ij}</math>。因此，在这些附加假设下，它可以归为平稳分布加权聚合。
=复杂网络中的粗粒化方法=
=复杂网络中的粗粒化方法=