更改

文中，作者在[[线性系统]]中进行了实验验证，实验流程是：1）使用线性系统生成参数与规律；2）设定粗粒化函数；3)得到转移熵的表达式；4）优化求解最大脱耦合率的粗粒化方法（对应最小转移熵）。这里的优化算法可以使用转移熵作为优化目标，然后使用[[梯度下降算法]]来求解符合的粗粒化函数，也可以使用[[遗传算法]]来优化。

文中，作者在[[线性系统]]中进行了实验验证，实验流程是：1）使用线性系统生成参数与规律；2）设定粗粒化函数；3)得到转移熵的表达式；4）优化求解最大脱耦合率的粗粒化方法（对应最小转移熵）。这里的优化算法可以使用转移熵作为优化目标，然后使用[[梯度下降算法]]来求解符合的粗粒化函数，也可以使用[[遗传算法]]来优化。

下图展示了一个线性动力系统的例子，其动力学是一个向量自回归的模型，如下图公式所示，其中自相关性由图a所示的格兰杰因果网络所示，图b是使用遗传算法不同的初始化迭代的结果，纵轴表示动力学解耦的程度，随着迭代的增加，动力学解耦程度也逐渐增加，图c表示不同的粗粒化尺度会影响优化到[[动力学解耦]]的程度，结果发现只有scale=2和6时可能达到动力学解耦，因此尺度的选择也很重要。

下图展示了一个线性动力系统的例子，其动力学是一个向量自回归的模型，实验结果如下所示，图a是使用遗传算法不同的初始化迭代的结果，纵轴表示动力学解耦的程度，随着迭代的增加，动力学解耦程度也逐渐增加，图b表示不同的粗粒化尺度会影响优化到[[动力学解耦]]的程度，结果发现只有scale=2和6时可能达到动力学解耦，因此尺度的选择也很重要。

[[文件:动力学解耦例子1.png|居左|600x600像素|线性动力学解耦例子]]

[[文件:动力学解耦例子1.png|居左|600x600像素|线性动力学解耦例子]]