更改

</math>

</math>

其中<math>\tilde{X}_t,\tilde{X}_{t+1}</math>分别为把t时刻的[math]X_t[/math][[干预]]为[[均匀分布]]后，前后两个时刻的状态，而EI度量的就是在干预操作后，系统前后两个时刻状态之间的互信息。<math>p_{ij}</math>为第i个状态转移到第j个状态的转移概率。从这个式子，不难看出，EI仅仅是概率转移矩阵[math]P[/math]的函数。进一步，如果马尔科夫链TPM按照行向量形式处理，EI可以写成更加简便的形式<math>EI =\frac{1}{N}\cdot \sum_{i=1}^N\left(P_i\cdot \log P_i - P_i\cdot\log \bar{P}\right)</math>，其中，[math]P_i[/math]是矩阵[math]P[/math]的第[math]i[/math]个行向量。

其中<math>\tilde{X}_t,\tilde{X}_{t+1}</math>分别为把t时刻的[math]X_t[/math][[干预]]为[[均匀分布]]后，前后两个时刻的状态，而EI度量的就是在干预操作后，系统前后两个时刻状态之间的互信息。<math>p_{ij}</math>为第i个状态转移到第j个状态的转移概率。从这个式子，不难看出，EI仅仅是离散马尔科夫链概率转移矩阵[math]P[/math]的函数。进一步，如果马尔科夫链TPM按照行向量形式处理，EI可以写成更加简便的形式<math>EI =\frac{1}{N}\cdot \sum_{i=1}^N\left(P_i\cdot \log P_i - P_i\cdot\log \bar{P}\right)</math>，其中，[math]P_i[/math]是矩阵[math]P[/math]的第[math]i[/math]个行向量。

有效信息的详细介绍介绍可以参考本文：https://mp.weixin.qq.com/s/ADeEMnDZR05Tj7mNoL2jVA

有效信息的详细介绍介绍可以参考本文：https://mp.weixin.qq.com/s/ADeEMnDZR05Tj7mNoL2jVA

=== 粗粒化映射 ===

=== 粗粒化映射 ===