更改

==高斯噪声迭代系统的近似动力学可逆性与因果涌现==

==高斯噪声迭代系统的近似动力学可逆性与因果涌现==

TPM矩阵可以通过SVD分解直接得到奇异值谱，在状态空间中基于不同状态对应的奇异值，进行因果涌现的计算，只要状态是离散的，不管是有限的还是可数的，都可以进行因果涌现的计算。但是连续空间上的动力系统的状态数量不可数无穷多的，无法用同样的方法削减奇异值数量。因为本质上连续空间之间的势是相同的，无穷集可以与其真子集形成一一映射，因此无论怎么删减状态数量，剩余的状态数量依然是无穷多的，这就如同一条直线上的点其实和平面上一样多类似。因此，对于高斯噪声迭代系统，我们需要用新的方法进行因果涌现的判断和定量化，即从状态空间的奇异值变为欧氏空间的奇异值。TPM矩阵本质上是离散条件概率<math>p(x_{t+1}|x_t)</math>构成的矩阵，矩阵的第i行第j列代表<math>x_t=i</math>的条件下<math>x_{t+1}=j</math>的概率，因此从条件概率的角度类比到连续系统，高斯迭代系统的概率转移矩阵为：

TPM矩阵可以通过SVD分解直接得到奇异值谱，在状态空间中基于不同状态对应的奇异值，进行因果涌现的计算，只要状态是离散的，不管是有限的还是可数的，都可以进行因果涌现的计算。但是连续空间上的动力系统的状态数量不可数且是无穷多的，无法用同样的方法削减奇异值数量。因为本质上连续空间之间的势是相同的，无穷集可以与其真子集形成一一映射，因此无论怎么删减状态数量，剩余的状态数量依然是无穷多的，这就如同一条直线上的点其实和平面上一样多类似。因此，对于高斯噪声迭代系统，我们需要用新的方法进行因果涌现的判断和定量化，即从状态空间的奇异值变为欧氏空间的奇异值。TPM矩阵本质上是离散条件概率<math>p(x_{t+1}|x_t)</math>构成的矩阵，矩阵的第i行第j列代表<math>x_t=i</math>的条件下<math>x_{t+1}=j</math>的概率，因此从条件概率的角度类比到连续系统，高斯迭代系统的概率转移矩阵为：

<blockquote>

<blockquote>

<math> p(x_{t+1}|x_t)=\mathcal{N}(Ax_{t}+a_0,\Sigma)\equiv \frac{1}{(2\pi)^\frac{n}{2}\det(\Sigma)^\frac{1}{2}}\exp\left\{-\frac{1}{2}(x_{t+1}-Ax_t-a_0)^T\Sigma^{-1}(x_{t+1}-Ax_t-a_0)\right\},

<math> p(x_{t+1}|x_t)=\mathcal{N}(Ax_{t}+a_0,\Sigma)\equiv \frac{1}{(2\pi)^\frac{n}{2}\det(\Sigma)^\frac{1}{2}}\exp\left\{-\frac{1}{2}(x_{t+1}-Ax_t-a_0)^T\Sigma^{-1}(x_{t+1}-Ax_t-a_0)\right\},