[讨论]下一步的研究方向？

aqua2001

最近突然有一个想法。我们是不是太注重建模的专业性了？本身模型就是在所有的科学当中发展的，但是如果我们把它独立来看的话，会不会失去了在具体科学中的营养？因为在科学中，每个学科都有自己的逻辑和习惯。使用能行得通的逻辑来解释来预测，来探求属于这个学科和属于整个宇宙的“原理”，才是最伟大的那些模型的发展过程。最重要的那些模型，似乎都只是寻找一种解释，使得从逻辑上自洽，从美学上完美，从哲学上符合自己对世界的认识。无论在哲学上给贴个什么标签，最终它想揭示的就是所谓“深刻原理”。但是如果我们把建模从所有的科学中提炼出来，那么被具体学科所迫切需要的“解释和预测”这个功能就会被弱化，模型也就变得更加游戏化。而且从哲理上的思考也少多了，更多地偏向了实用化和平面化。不需要思考得很深或者使用什么宇宙原理之类的词来包装自己，只要搞一些实用和暂时起效的东西就可以了。于是大家都在搞什么神经网络，什么回归，什么层次分析法之流。这样虽然避免了在哲学上的空话和夸夸其谈，但是我觉得，也干扰了创新的路径。模型也就变成了快餐型产品。<br/><br/>其实统计也是一样的道理。从行星的观测数据到开普勒的三大定律，再到牛顿的牛顿定律，本身就是个统计的过程。至少开普勒的工作是彻底的统计，而牛顿的东西是比较彻底的建模。牛顿用我们现在惯用的手段，包括神经网络，层次分析法，再用上matlab，能搞出什么来？我不相信他能搞出一样的牛顿定律来。开普勒做的工作是统计，但是他懂得多少统计？我们今天学过统计的人，学了均值方差，学了回归，学了因素分析，拿到行星运动的数据，又能有多少思路？<br/><br/>ising模型，无疑是统计力学里重要的模型之一。从局部作用如何产生整体效果的典型范例。但是，这种东西，和我们现在说的建模，真的有多大关系呢？其实有很多学生反映，这些所谓的模型，和他们接触到和要接触的建模并不是一个东西。这又该怎么说呢？是让他们建出来这种水平的模型，还是这仅仅是科普讲座，和MCM没什么关系？

[此贴子已经被作者于2006-11-6 17:37:25编辑过]

aqua2001

或者说，把这个学科专业化以后，跳跃性的思维会不会受限？从运动想到引力，所有力的定律，然后是瞬时的动力学，然后是把曲线的局部线性化，其实这些思路，属于真正的物理，但是是否也能属于“真正的”建模？和MCM之间的关系又如何？

347196468

%获得网络的输入样本P和目标样本T8 ~& w) C( K; Q/ g) e2 A' }
P=[1 0.6 0.1 0 0 0 0   1 0.5 0 0 0 0 0;4 K3 v* b+ @: I" G2 C& ?2 S& z
1 0.6 0.1 0 0 0 0   0 0.5 1 0.4 0 0 0;9 |( R: l2 i; {7 p. o2 J% m
1 0.6 0.1 0 0 0 0   0 0 0 0.4 1 0.6 0;
( ^2 z' ?1 S( Q7 ^7 T. J) b) c) A, ^* Z% o  j1 0.6 0.1 0 0 0 0   0 0 0 0 0 0 0.8;) W( b  h! d6 V3 J9 O& b
0 v- d' I% f( Q3 s0 a6 q  D8 _' m0 0.6 0.6 0 0 0 0   1 0.5 0 0 0 0 0;; G6 ?) Q# P: @. f4 i& c
0 0.6 0.6 0 0 0 0   0 0.5 1 0.4 0 0 0;$ N  F( j  A$ |- d1 k$ G/ K+ k" Y; Q
0 0.6 0.6 0 0 0 0   0 0 0 0.4 1 0.6 0;
# m; Q9 R% j9 D! i% A5 H, s0 `7 [6 Q* |! h# _4 H2 z2 U6 _0 0.6 0.6 0 0 0 0   0 0 0 0 0 0 0.8;% V, f5 |% e2 r3 ^& D
0 0 0.6 1 0 0 0    1 0.5 0 0 0 0 0;
1 O) U' `- D: [" V2 _0 X+ s/ }$ }2 u' J' O& Y0 0 0.6 1 0 0 0    0 0.5 1 0.4 0 0 0;
  {/ P9 ?  {' R6 t# V' y- F! J/ [, B* f0 0 0.6 1 0 0 0    0 0 0 0.4 1 0.6 0;" h( s# ?% u' g$ h* X
0 0 0.6 1 0 0 0    0 0 0 0 0 0 0.8;
2 b+ V$ e  u' p* ?& R- _7 x- i' b" f* G5 P- G0 0 0 0 1 0.6 0    1 0.5 0 0 0 0 0;! p$ q8 S1 V+ @9 t7 i. o+ c
0 0 0 0 1 0.6 0    0 0.5 1 0.4 0 0 0;5 e* _9 w. i: p' ]; U. H+ K# f
0 0 0 0 1 0.6 0    0 0 0 0.4 1 0.6 0;  ^9 S7 i) L" N1 r+ {0 g& I
6 o$ N( w7 ?! b/ r2 I; V  j$ s" t0 0 0 0 1 0.6 0    0 0 0 0 0 0 0.8]';/ Q' c' j* D1 Y9 w. a5 [
0 a/ Q3 ~/ R$ C% {0 iT=[1 0.5 0 0 0 0 0 0;+ F, _7 y% q  B" Z
0 0 0 0.2 0.6 1 0.6 0.2;
' M5 N0 I, R/ x! D0 |1 g0 0 0 0.2 0.6 1 0.6 0.2;2 F- g1 H, Q6 j1 {  Y
) V8 P/ e$ W( e1 j. C& X2 m1 K0 0 0 0.2 0.6 1 0.6 0.2;
0 ?8 ^8 l4 |' k% D6 e/ B1 ^( h6 V) |0.4 0.8 1 0.8 0.4 0.2 0 0;
  h1 k7 Z/ Y! w( R  I* }0 0 0 0.2 0.6 1 0.6 0.2;/ y8 U  A! f( O( H( m
3 D0 C) X* P: F2 L% l0 0 0 0 0 0.2 0.5 0.8;
) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
. e1 }+ `/ t) _  l  j, {: K& L2 P- E1 M8 K8 Y) ?/ M- m0 0 0 0.2 0.6 1 0.6 0.2;( K1 W& p9 b7 r6 a7 [; a
, j3 w4 j# l- @5 B0 y! a0 0 0 0.2 0.6 1 0.6 0.2;
, o. R0 ~2 l! P2 D4 m6 e3 Y* J! u( n. u3 U0 0 0 0 0 0.2 0.5 0.8;
  u' y! v. Z) p6 v. e2 {, q! g& u! D* o) @! t( l4 Z0 0 0 0 0 0.2 0.5 0.8;5 }/ y1 N  S, m# m, Z
0 0 0 0.2 0.6 1 0.6 0.2;, Q& Q; h+ \' @+ D9 W, _6 t
( f6 D% T+ U8 v2 }% ~: \1 `0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
' z4 O! Y* ]% J# O0 0 0 0 0 0.2 0.5 0.8;
  U. `9 z1 `( e" G, f4 \; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
9 v* W) }& }, k( \7 U( x0 l- }8 I4 t* e%根据Kolmogorov定理，输入层有14个节点，所以中间层有29个节点$ f5 v3 N( Z/ H
& I+ O, h( T" g2 \% \0 q: x%中间层神经元的传递函数为'tansig'
4 F  _$ S% C' Z& c% }) G# y/ ~%输出层有8个节点，其神经元传递函数为logsig
1 o# o7 x$ {' B% U9 k, \; `2 P* v% b( k0 h- u7 H6 H) `%训练函数采用traingdx
' o# g6 H7 d" O& h0 C& m3 c0 \* Nnet=newff(minmax(P),[29,8],{'tansig','logsig'},'traingdx');- ?/ b# _# j0 f* p8 n" w/ h" V
# g8 K+ x- i3 J" ?0 Z$ v%训练步数为1000次" ?8 _& L' `% A% T; |1 ?6 e
%训练目标误差为0.001
  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
* g. P# u0 z9 x. g2 p# T9 Ynet.trainParam.goal=0.001;
; H% t7 b: r8 W, G9 O+ i5 {* Lnet=train(net,P,T);; \7 P2 W, `. E+ h, o/ B# I1 l) M
Y=sim(net,P);
: ]' a& `$ b' K& z& a%求训练值在每一个点上的误差: \5 F' N/ k7 o
3 f, P9 ~- k( V  l: j2 Sfor i=1:16
, O5 `$ D" _) a8 H8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
5 n" m2 s; h3 a  ]! g5 o( Z9 A; [  n* ^* P% e

347196468

%获得网络的输入样本P和目标样本T8 ~& w) C( K; Q/ g) e2 A' }
P=[1 0.6 0.1 0 0 0 0   1 0.5 0 0 0 0 0;4 K3 v* b+ @: I" G2 C& ?2 S& z
/ v1 Q; s6 O. ]8 k1 0.6 0.1 0 0 0 0   0 0.5 1 0.4 0 0 0;9 |( R: l2 i; {7 p. o2 J% m
) {+ ]2 d8 P0 G* s% }: E: g/ t2 R1 0.6 0.1 0 0 0 0   0 0 0 0.4 1 0.6 0;
( d1 C  P1 V- a3 P2 _, ~3 @) A, ^* Z% o  j1 0.6 0.1 0 0 0 0   0 0 0 0 0 0 0.8;) W( b  h! d6 V3 J9 O& b
0 0.6 0.6 0 0 0 0   1 0.5 0 0 0 0 0;; G6 ?) Q# P: @. f4 i& c
  S' t1 C. T7 i& A/ I" b0 0.6 0.6 0 0 0 0   0 0.5 1 0.4 0 0 0;$ N  F( j  A$ |- d1 k$ G/ K+ k" Y; Q
0 0.6 0.6 0 0 0 0   0 0 0 0.4 1 0.6 0;
6 Q* |! h# _4 H2 z2 U6 _0 0.6 0.6 0 0 0 0   0 0 0 0 0 0 0.8;% V, f5 |% e2 r3 ^& D
0 Z( @4 D6 a1 v0 0 0.6 1 0 0 0    1 0.5 0 0 0 0 0;
+ s/ }$ }2 u' J' O& Y0 0 0.6 1 0 0 0    0 0.5 1 0.4 0 0 0;
# V' y- F! J/ [, B* f0 0 0.6 1 0 0 0    0 0 0 0.4 1 0.6 0;" h( s# ?% u' g$ h* X
0 0 0.6 1 0 0 0    0 0 0 0 0 0 0.8;
- _7 x- i' b" f* G5 P- G0 0 0 0 1 0.6 0    1 0.5 0 0 0 0 0;! p$ q8 S1 V+ @9 t7 i. o+ c
0 0 0 0 1 0.6 0    0 0.5 1 0.4 0 0 0;5 e* _9 w. i: p' ]; U. H+ K# f
0 0 0 0 1 0.6 0    0 0 0 0.4 1 0.6 0;  ^9 S7 i) L" N1 r+ {0 g& I
: b/ _) ]0 V5 j1 A6 j0 D0 0 0 0 1 0.6 0    0 0 0 0 0 0 0.8]';/ Q' c' j* D1 Y9 w. a5 [
T=[1 0.5 0 0 0 0 0 0;+ F, _7 y% q  B" Z
0 0 0 0.2 0.6 1 0.6 0.2;
/ G$ ]) g7 G2 d' s9 t! J- x2 n' M5 N0 I, R/ x! D0 |1 g0 0 0 0.2 0.6 1 0.6 0.2;2 F- g1 H, Q6 j1 {  Y
0 0 0 0.2 0.6 1 0.6 0.2;
% D6 e/ B1 ^( h6 V) |0.4 0.8 1 0.8 0.4 0.2 0 0;
  h1 k7 Z/ Y! w( R  I* }0 0 0 0.2 0.6 1 0.6 0.2;/ y8 U  A! f( O( H( m
8 b9 p- c5 P. y. F  Z9 ~; x0 0 0 0 0 0.2 0.5 0.8;
) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
4 X( `  n- T$ `0 ?  |) _2 P- E1 M8 K8 Y) ?/ M- m0 0 0 0.2 0.6 1 0.6 0.2;( K1 W& p9 b7 r6 a7 [; a
0 0 0 0.2 0.6 1 0.6 0.2;
( e% r( c' B; j/ O5 }; P: T0 b4 m6 e3 Y* J! u( n. u3 U0 0 0 0 0 0.2 0.5 0.8;
: c) D. M6 Y' h8 R# x. e2 {, q! g& u! D* o) @! t( l4 Z0 0 0 0 0 0.2 0.5 0.8;5 }/ y1 N  S, m# m, Z
. M1 I, Y3 l3 y0 0 0 0.2 0.6 1 0.6 0.2;, Q& Q; h+ \' @+ D9 W, _6 t
0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
! B1 @: @+ U2 j- v3 T. B+ j0 0 0 0 0 0.2 0.5 0.8;
/ \$ k0 b) a7 c* b4 g, }9 h; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
% z) j+ r% w$ Z( L! a) v( x0 l- }8 I4 t* e%根据Kolmogorov定理，输入层有14个节点，所以中间层有29个节点$ f5 v3 N( Z/ H
%中间层神经元的传递函数为'tansig'
4 F  _$ S% C' Z& c% }) G# y/ ~%输出层有8个节点，其神经元传递函数为logsig
, \; `2 P* v% b( k0 h- u7 H6 H) `%训练函数采用traingdx
! M3 J2 g, ^/ x, Y, a0 C& m3 c0 \* Nnet=newff(minmax(P),[29,8],{'tansig','logsig'},'traingdx');- ?/ b# _# j0 f* p8 n" w/ h" V
%训练步数为1000次" ?8 _& L' `% A% T; |1 ?6 e
3 M- [6 m3 l5 f* t% b%训练目标误差为0.001
  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
net.trainParam.goal=0.001;
$ D8 s; Q" |; j4 N; @. \; H% t7 b: r8 W, G9 O+ i5 {* Lnet=train(net,P,T);; \7 P2 W, `. E+ h, o/ B# I1 l) M
- `* Y( y( k" x! A9 T3 \Y=sim(net,P);
: ]' a& `$ b' K& z& a%求训练值在每一个点上的误差: \5 F' N/ k7 o
for i=1:16
7 B  X3 P, S4 |, X. g8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
2 W8 o% H4 ~: ]& k5 o( Z9 A; [  n* ^* P% e

duan3307464

你好像学物理的，我和你有相同的看法，我也不想再做那些无聊的东西了，感觉很虚，一点也不实用

duan3307464

你好像学物理的，我和你有相同的看法，我也不想再做那些无聊的东西了，感觉很虚，一点也不实用