558
个编辑
更改
→高斯噪声迭代系统基于SVD的因果涌现
=高斯噪声迭代系统基于SVD的因果涌现=
=高斯噪声迭代系统基于SVD的因果涌现=
==因果涌现的量化指标==
==因果涌现的量化指标==
TPM矩阵基于可逆性的因果涌现，与其奇异值相关。同样，在规定<math>\epsilon\geq 0</math>之后，我们可以筛选两个协方差矩阵的奇异值来计算因果涌现，即
<blockquote>
<blockquote>
<math>\Delta\Gamma_\alpha(\epsilon)\equiv\hat{\gamma}_\alpha(\epsilon)-\hat\gamma_\alpha=\frac{1}{r_\epsilon}(\frac{1}{2}-\frac{\alpha}{4})\sum_{i=1}^{r_\epsilon}\ln s_i+\frac{\alpha}{4r_\epsilon}\sum_{i=1}^{r_\epsilon}\ln\kappa_i-\frac{1}{n}(\frac{1}{2}-\frac{\alpha}{4})\sum_{i=1}^{r}\ln s_i-\frac{\alpha}{4n}\sum_{i=1}^{n}\ln\kappa_i.
<math>\Delta\Gamma_\alpha(\epsilon)\equiv\hat{\gamma}_\alpha(\epsilon)-\hat\gamma_\alpha=\frac{1}{r_\epsilon}(\frac{1}{2}-\frac{\alpha}{4})\sum_{i=1}^{r_\epsilon}\ln s_i+\frac{\alpha}{4r_\epsilon}\sum_{i=1}^{r_\epsilon}\ln\kappa_i-\frac{1}{n}(\frac{1}{2}-\frac{\alpha}{4})\sum_{i=1}^{r}\ln s_i-\frac{\alpha}{4n}\sum_{i=1}^{n}\ln\kappa_i.
</blockquote>
</blockquote>
这一关系进一步更加精确地证明了<math>\Gamma_\alpha</math>与<math>EI</math>的线性关系，也就意味着它们在一定程度上可以相互替代。
这一关系进一步更加精确地证明了<math>\Gamma_\alpha</math>与<math>EI</math>的线性关系，也就意味着它们在一定程度上可以相互替代。
==高斯噪声迭代系统基于SVD的粗粒化策略==
==高斯噪声迭代系统基于SVD的粗粒化策略==
在得到基于奇异值的因果涌现之后，和TPM矩阵类似，我们也可以根据逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>的奇异向量，指定在高斯迭代系统上的粗粒化策略，将高维的向量映射到低维空间。基于SVD的理论，<math>𝐴^𝑇Σ^{−1}𝐴</math>和<math>Σ^{−1}</math>都是对称矩阵，因此我们可以直接得到SVD分解
在得到基于奇异值的因果涌现之后，和TPM矩阵类似，我们也可以根据逆向动力学的协方差矩阵<math>𝐴^𝑇Σ^{−1}𝐴</math>和正向动力学的协方差矩阵<math>Σ^{−1}</math>的奇异向量，指定在高斯迭代系统上的粗粒化策略，将高维的向量映射到低维空间。基于SVD的理论，<math>𝐴^𝑇Σ^{−1}𝐴</math>和<math>Σ^{−1}</math>都是对称矩阵，因此我们可以直接得到SVD分解