842
个编辑
更改
→概念对比
|-
|-
|1
|1
|时间序列
|观测序列
|微观态
|微观态
|它们都是系统最微观最原始的数据，时间序列基于对环境的离散测量值，它可以是无限长度，微观态基于已知的马尔可夫概率转移矩阵
|它们都在状态空间上描述，是系统观测到的最原始的数据，计算力学中的观测序列可以是无限长度的，微观态背后的动力学假设是马尔可夫的。
|-
|-
|2
|2
|宏观态<math>\mathcal{R}_i \in \mathcal{R} </math>
|宏观态<math>\mathcal{R}_i \in \mathcal{R} </math>
|宏观态
|宏观态
|它们都是从微观数据变换而来，宏观态<math>\mathcal{R}_i \in \mathcal{R} </math>是通过划分函数得到的，因果涌现的宏观态是将微观态经过粗粒化得到的
|它们都是从微观数据变换而来，计算力学中的宏观态<math>\mathcal{R}_i \in \mathcal{R} </math>是通过划分函数得到的，因果涌现的宏观态是将微观态经过粗粒化得到的。
|-
|-
|3
|3
|状态映射函数<math>\eta </math>
|划分映射<math>\eta </math>
|粗粒化策略
|粗粒化策略
|它们都是从微观态变换到宏观态的某种动力学机制，状态映射函数<math>\eta </math>通过某种划分方法得到的，粗粒化策略通过经验或机器学习确定
|它们都是定义在状态空间上的，而粗粒化策略有时也指代变量空间上的映射关系。
|-
|-
|4
|4
|因果转移映射<math>T</math>
|因果态及其转移映射
|最大化有效信息的宏观态及其动力学
|它们都是理论上的最佳信息压缩方法，因果态的映射函数<math>\epsilon</math>根据预测等价性定义出来的，不损失微观上的信息，而最大化有效信息的粗粒化策略可能因为损失过多微观的信息得到平凡解。
|能够最大化有效信息的粗粒化策略
|它们都是理论上的最佳信息压缩方法，因果态的映射函数<math>\epsilon</math>通过总结时间序列中字符的相似性得到，能够最大化有效信息的粗粒化策略需要结合领域知识或通过机器学习得到
|-
|-
|}
|}