3,094
个编辑
更改
跳到导航
跳到搜索
第184行：
第184行： + + + + + + + + + + + + + + + + + + + + + + +
→Φ 的计算示例
== Φ 的计算示例 ==
== Φ 的计算示例 ==
上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。
上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。
=== 连续系统的计算 ===
下面，为了展示<math>\phi</math>的计算，让我们考虑一个简化的连续模型，即一个线性动力学高斯噪声模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为神经元组，其活动变量表示各组在数百毫秒内的放电率，彼此间的相互作用<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>，我们可以用一个线性化的动力学对其进行描述：
<math>
X_t=X_{t−1}⋅CON(X) + cR
</math>
其中cR表示该向量受强度为c的独立高斯噪声R驱动，CON(X)代表X的邻接矩阵，它刻画了X中各个元素之间的联系方式。。
我们仅关注该系统的内在属性，并忽略来自环境的外部输入。因此，我们计算该随机过程的熵（H）：
<math>
H(X) = \frac{1}{2}\ln\left[(2\pi e)^{\text{dim}(X)} \cdot |\text{COV}(X)|\right]
</math>
其中协方差矩阵 COV(X)是由：
<math>
\text{COV}(X) = Q^T Q,Q =(I - \text{CON}(X))^{-1}
</math>
计算的，这里 I为单位矩阵，CON(X)为系统的邻接矩阵。
=== 八节点网络算例 ===
=== 八节点网络算例 ===