842
个编辑
更改
跳到导航
跳到搜索
第288行：
第288行： − 因果态并没有马尔科夫性的假设，因为我们并没有对上述的<math>t</math>时刻的历史状态的过去状态<math>\overleftarrow{s_t}</math>的长度做出限制。如果我们对系统做出符合<math>L-</math>阶马尔科夫性的假设，即只考虑长度为<math>L</math>的过去状态就能在完美定义未来状态<math>\overrightarrow{s_t}</math>的分布，而不存在隐状态的话，我们才能进一步的比较因果态和成块性。+ − − 目前大部分关于成块性都是在一阶马尔科夫链的情况的，但我们也能拓展到<math>L-</math>阶马尔科夫性。最简单的方法是，对于一个有<math>N</math>个状态的<math>L-</math>阶马尔科夫链，我们可以把<math>L</math>个时间步的状态序列压缩成一步的<math>N^L</math>个状态，并对这<math>N^L</math>个状态进行划分。 − − 当我们经过上述的假设和处理后，我们就能比较因果态和成块性了。 − 而成块性与其不同的是，我们根据微观状态找到对应的宏观状态之后，我们能够准确的得到未来的'''宏观'''状态的分布。但是在粗粒化过程中，我们会丢失微观状态的辨别信息，而这个信息的损失是不可逆的。所以，我们就无法从宏观状态再还原到微观状态了。+ 第306行：
第302行： − 因果态的划分一定是一种成块的状态划分，但反之则不一定。所以说，划分的成块性是满足因果态要求的必要条件。+ − − 因为因果态比成块性更严格，会出现我们能对因果态继续聚类得出更化简的成块划分的情况。
→计算力学与马尔科夫链的成块性理论
'''1. 马尔可夫性假设'''
'''1. 马尔可夫性假设'''
因果态并没有马尔科夫性的假设，但如上图所示，我们总可以把一个序列看成是一个状态，于是就能得到序列映射到序列的马尔科夫转移矩阵。在该概率转移矩阵上，我们可以比较因果态对应的划分映射和满足成块性的划分。
'''2. 微观和宏观最大预测性'''
'''2. 微观和宏观最大预测性'''
上文提到，因果态的状态划分方式能保持微观层面上的最大预测性。也就是说，我们根据微观状态找到对应的因果态之后，即使我们不知道原本的微观状态了，我们还是能准确的得到未来的'''微观'''状态的分布。
上文提到，因果态的状态划分方式能保持微观层面上的最大预测性。也就是说，我们根据微观状态找到对应的因果态之后，即使我们不知道原本的微观状态了，我们还是能准确的得到未来的'''微观'''状态的分布。
而成块性与其不同的是，我们根据微观状态找到对应的宏观状态之后，能够准确的得到未来的'''宏观'''状态的分布。但是在粗粒化过程中，我们会丢失微观状态的辨别信息，而这个信息的损失是不可逆的。所以，我们就无法从宏观状态再还原到微观状态了。
所以，因果态同时保持了微观和宏观的最大预测性，而成块性只能保持宏观的最大预测性。
所以，因果态同时保持了微观和宏观的最大预测性，而成块性只能保持宏观的最大预测性。
按照上面的叙述，我们会发现，因果态是比成块性更严格的限制，因为它要求在状态转移矩阵中，属于同一个因果态中的状态的行必须完全一致。
按照上面的叙述，我们会发现，因果态是比成块性更严格的限制，因为它要求在状态转移矩阵中，属于同一个因果态中的状态的行必须完全一致。
因果态的划分一定是一种成块的状态划分，但反之则不一定。所以说，划分的成块性是满足因果态要求的必要不充分条件。
===斑图重构机器与世界模型===
===斑图重构机器与世界模型===