更改

1. 对状态空间进行粗粒化[math]\phi[/math]：即一种对微观状态做粗粒化分组的方案[math]\phi:S_m\rightarrow S_M[/math]，其中[math]S_M[/math]代表宏观态集合，该集合的元素个数为（[math]M\leq N[/math]）。值得注意的是，这种状态空间的划分方法可以分为基于状态和基于变量这两类。虽然二者本质上是一样的，即基于变量的划分也是对状态划分的一个特例，但基于变量时，属于同一个变量的状态需绑定在一起进行划分，不能分割开。

1. 对状态空间进行粗粒化[math]\phi[/math]：即一种对微观状态做粗粒化分组的方案[math]\phi:S_m\rightarrow S_M[/math]，其中[math]S_M[/math]代表宏观态集合，该集合的元素个数为（[math]M\leq N[/math]）。值得注意的是，这种状态空间的划分方法可以分为基于状态和基于变量这两类。虽然二者本质上是一样的，即基于变量的划分也是对状态划分的一个特例，但基于变量时，属于同一个变量的状态需绑定在一起进行划分，不能分割开。

2. 状态空间的分组[math]\phi[/math]自然诱导了一个状态空间上的状态分布的映射，即：[math]\phi:P(s_m)\rightarrow P(s_M)[/math]，其中[math]s_m\in S_m, s_M\in S_M[/math]为微观或宏观的状态变量。

2. 状态空间的分组[math]\phi[/math]自然诱导了一个状态空间上的状态分布的映射，即：[math]\phi:P(s_m)\rightarrow P(s_M)[/math]，其中[math]s_m\in S_m, s_M\in S_M[/math]为微观或宏观的状态变量，P为概率。

3. 对转移概率矩阵(TPM)进行粗粒化：基于第一步的分组方式，状态合并后的概率转移矩阵也必须发生相应的变化，即需要对整个马尔科夫转移概率矩阵做粗粒化。这实际上定义了一个新的映射[math]\Phi: F_m\rightarrow F_M[/math]，其中[math]F_m,F_M[/math]分别为状态空间[math]S_m[/math]和[math]S_M[/math]上定义的所有可能的转移概率矩阵。

3. 对转移概率矩阵(TPM)进行粗粒化：基于第一步的分组方式，状态合并后的概率转移矩阵也必须发生相应的变化，即需要对整个马尔科夫转移概率矩阵做粗粒化。这实际上定义了一个新的映射[math]\Phi: F_m\rightarrow F_M[/math]，其中[math]F_m,F_M[/math]分别为状态空间[math]S_m[/math]和[math]S_M[/math]上定义的所有可能的转移概率矩阵。