更改

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。

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。

==== 基于变量的粗粒化====

==== 基于变量的粗粒化====