3,094
个编辑
更改
跳到导航
跳到搜索
第181行：
第181行： − − === 连续系统的计算 === − 在计算有效信息时，需要涉及到动力系统熵和互信息的计算，这一过程较为复杂。因此，我们考虑一个简化的连续模型，即一个线性动力学，噪声为高斯噪声。下面我们用一个包含 n个元素的孤立神经系统 X为例<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>，来描述这一线性化的动力学。该系统活动可由一个高斯平稳多元随机过程描述。我们仅关注其内在属性，并忽略来自环境的外部输入。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，可以通过邻接矩阵 CON(X)来描述。系统动力学可表述为： − − <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。 − − 该随机过程的熵（H）的计算公式为： − − <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。
→连续系统的计算
同时，该复合体的整合信息量Φ也是整个系统的整合信息量。
同时，该复合体的整合信息量Φ也是整个系统的整合信息量。
== Φ 的计算示例 ==
== Φ 的计算示例 ==