3,094
个编辑
更改
跳到导航
跳到搜索
第208行：
第208行： − 由于智能体的计算资源是有限的，当测量结果中的数据量超过模型能够处理的极限时，我们就需要对生成序列的原有模型进行重构。这样做的目的是在保持计算资源不变的情况下，确保智能体仍然能够对外界进行有效的预测。进一步，因果态可以被看做是原始状态序列，因此智能体可以在因果态基础上再次重构生成该因果态的模型。于是，这便形成了一系列不断升级的层级化的重构过程。+ − 重构的方法主要是通过寻找原有模型中不同状态组之间的相似性，也就是说，在原有模型已经识别出的因果态中，我们进一步抽象出更高层级的'''因果态组'''。这样，随着数据量的增大，我们就可以不断的在上一层级抽象出更高的层级，从而在计算资源有限的情况下，仍然能够应对更大量的数据。譬如，当智能体观测到“121212”时，会把“12”看成是一个模块，用一个字符“A”来表示，于是原本的微观态字符串就可以被重构为“AAA”这样的宏观态字符串，复杂度就降低了。而当模型进一步观测到更长的字符串是“12121231212123”时，它便需要跳出原本的分组，而把“1212123”看成是一个新的模块，可以用一个字符“B”来表示，于是内部模型可以进一步用“BB”这样的新字符串来表示同一个观测对象。这便是一次模型重构不断升级的过程。下表中列举了一种模型重构的可能途径：+ − +
→模型重构
===模型重构===
===模型重构===
由于智能体的计算资源是有限的，当测量结果中的数据量超过模型能够处理的极限时，我们就需要构造模型，以更简洁地描述数据。这样做的目的是在保持计算资源不变的情况下，确保智能体仍然能够对外界进行有效的预测。这一过程可以反复迭代地进行，也就是说，因果态序列也可以被看做是原始状态序列，因此智能体可以在因果态基础上再次重构生成该因果态的模型。于是，这便形成了一系列不断升级的层级化的重构过程。
重构的方法主要是通过寻找原有模型中相似的状态组，从而形成因果态；然后，在已经识别出的因果态中，我们进一步抽象出更高层级的'''因果态组'''。这样，随着数据量的增大，我们就可以不断地在上一层级抽象出更高的层级，从而在计算资源有限的情况下，仍然能够应对更大量的数据。譬如，当智能体观测到“121212”时，会把“12”看成是一个模块，用一个字符“A”来表示，于是原本的微观态字符串就可以被重构为“AAA”这样的宏观态字符串，复杂度就降低了。而当模型进一步观测到更长的字符串是“12121231212123”时，它便需要跳出原本的分组，而把“1212123”看成是一个新的模块，可以用一个字符“B”来表示，于是内部模型可以进一步用“BB”这样的新字符串来表示同一个观测对象。这便是一次模型重构不断升级的过程。下表中列举了一种模型重构的可能途径：
[[文件:层次机器示意图1.jpg|居中|无框|600x600像素|WU]]
[[文件:层次机器示意图1.jpg|居中|无框|600x600像素|WU]]
上表为因果时间序列建模层级，展示了可能的前四个层级，每个层级根据其模型类别定义。但这个过程仅仅是一个示例，可以不止四个层级。模型本身由状态（圆圈或方块）和转移（标记箭头）组成，每个模型都有一个独特的起始状态，由一个双重圆圈表示。数据流本身是最低层级，通过将序列测量分组为重复子序列，从数据流中构建出深度为<math>D</math>的树。下一个层级的模型，即具有状态和转移的[[有限自动机]]（Finite Automaton，简称FA），可以通过将树节点分组从树中重构。图中所示的最后一个层级，字符串生成机器（Pattern Matching，简称PM），可以通过将有限状态自动机的状态进行分组并推断出操控寄存器中字符串的生成规则来构建。
上表为因果时间序列建模层级，展示了可能的前四个层级，每个层级根据其模型类别定义。但这个过程仅仅是一个示例，可以不止四个层级。模型本身由状态（圆圈或方块）和转移（标记箭头）组成，每个模型都有一个独特的起始状态，由一个双重圆圈表示。数据流本身是最低层级，通过将序列测量分组为重复子序列，从数据流中构建出深度为<math>D</math>的树。下一个层级的模型，即具有状态和转移的[[有限自动机]]（Finite Automaton，简称FA），可以通过将树节点分组从树中重构。图中所示的最后一个层级，字符串生成机器（Pattern Matching，简称PM），可以通过将有限状态自动机的状态进行分组并推断出操控寄存器中字符串的生成规则来构建。
考虑一个由<math>m</math>个测量结果构成的数据流<math>s</math>，如果它是周期性的，那么第0级（Level 0），即测量结果本身，它的表示方法依赖于<math>m</math>。在极限<math>m\to\infty </math>情况下，第0级会产生一个复杂度无穷大的表示。当然，第0级是最准确的数据模型，尽管它几乎没有任何帮助，几乎不值得被称为“模型”。相比之下，一个深度为<math>D</math>的树将给出一个有限表示，即使数据流的长度是无限的，只要数据流具有小于等于<math>D</math>的周期。这个树有长度为<math>D</math>的路径，由数据流的周期给出。这些路径中的每一个都对应于<math>s</math>中重复模式的一个不同阶段。如果<math>s</math>是非周期性的，那么树模型类将不再是有限的，并且与<math>m</math>无关。 事实上，如果数据流具有正熵率（<math>h_μ＞0 </math>），那么树的大小将呈指数增长，<math>\approx\left\|\mathcal{A}\right\|^{Dh_{\mu}} </math> ，因为<math>D</math>的增加解释了<math>s</math> 中长度<math>D</math>不断增加的子序列。粗略地说，如果数据流具有随时间衰减得足够快的相关性，则下一级（随机）有限自动机将给出有限表示。状态数<math>\left\|\mathrm{V}\right\| </math>表示数据流中的内存量，因此表示<math>s</math>中测量值之间存在相关性的典型时间长度。但也有可能第 2 级不提供有限表示。那么就需要另一个级别（第 3 级）。
考虑一个由<math>m</math>个测量结果构成的数据流<math>s</math>，如果它是周期性的，那么第0级（Level 0），即测量结果本身，它的表示方法依赖于<math>m</math>。在极限<math>m\to\infty </math>情况下，第0级会产生一个复杂度无穷大的表示。当然，第0级是最准确的数据模型，尽管它几乎没有任何帮助，几乎不值得被称为“模型”。相比之下，一个深度为<math>D</math>的树将给出一个有限表示，即使数据流的长度是无限的，只要数据流具有小于等于<math>D</math>的周期。这个树有长度为<math>D</math>的路径，由数据流的周期给出。这些路径中的每一个都对应于<math>s</math>中重复模式的一个不同阶段。如果<math>s</math>是非周期性的，那么树模型类将不再是有限的，并且与<math>m</math>无关。 事实上，如果数据流具有正熵率（<math>h＞0 </math>），那么树的大小将呈指数增长，<math>\approx\left\|\mathcal{A}\right\|^{Dh} </math> ，因为<math>D</math>的增加解释了<math>s</math> 中长度<math>D</math>不断增加的子序列。粗略地说，如果数据流具有随时间衰减得足够快的相关性，则下一级（随机）有限自动机将给出有限表示。状态数<math>\left\|\mathrm{V}\right\| </math>表示数据流中的内存量，因此表示<math>s</math>中测量值之间存在相关性的典型时间长度。但也有可能第 2 级不提供有限表示。那么就需要另一个级别（第 3 级）。
===模型重构算法===
===模型重构算法===