[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' }
- C" x  w2 \1 t# o5 HP=[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
. e9 s: X* _8 w8 @8 z% I) B1 0.6 0.1 0 0 0 0   0 0 0 0.4 1 0.6 0;
) 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
; }1 n$ I* P9 s8 K- v  }9 E0 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;
9 Z# l/ e. y! M( |! r% M6 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
: S2 @2 X; L6 x% E4 g, D0 0 0.6 1 0 0 0    1 0.5 0 0 0 0 0;
( L$ t- D1 J9 K7 h, X+ s/ }$ }2 u' J' O& Y0 0 0.6 1 0 0 0    0 0.5 1 0.4 0 0 0;
7 b. v1 ^9 W) L4 F: H# 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
1 Q, Q: ^" b! P: ^. u0 0 0.6 1 0 0 0    0 0 0 0 0 0 0.8;
" K/ P+ }# B' Z$ R+ ^- L- _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
: z: g( o; \& y0 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
2 ?3 E6 I8 Z; w( L! o0 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
0 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
( D/ A+ x, M' P+ ~( Y6 f4 O* j! v0 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
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;
1 t( m1 S. k3 W/ {) j7 {/ c# [  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
0 0 0 0 0 0.2 0.5 0.8;
4 n% C4 p& Q4 ?, h  S) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
' l" k% q" Q" [+ @: S+ i7 c; f2 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
! t9 ]4 n8 y- i2 R, E0 0 0 0.2 0.6 1 0.6 0.2;
; V+ e% F6 {' e2 y# R4 m6 e3 Y* J! u( n. u3 U0 0 0 0 0 0.2 0.5 0.8;
5 x& k$ v2 ?( u: y/ Z/ E, U7 h! \. 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
2 C0 X. C/ {  `4 f0 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
  q- ~4 C1 ^1 T% N- r0 0 0 0 0 0.2 0.5 0.8;
1 I& y# G% Y9 Y( u; V# R; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
! \& ?( m' C! O" V: n5 c( 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
8 O& ~8 K' |) L- b  U1 m%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
! G# y, h3 Z' m3 G/ g: w, \; `2 P* v% b( k0 h- u7 H6 H) `%训练函数采用traingdx
- k" n/ m. i/ v+ q1 q) e* }1 p  g/ D0 C& m3 c0 \* Nnet=newff(minmax(P),[29,8],{'tansig','logsig'},'traingdx');- ?/ b# _# j0 f* p8 n" w/ h" V
5 r+ c1 s8 x7 @9 `* [%训练步数为1000次" ?8 _& L' `% A% T; |1 ?6 e
; f. D- |! y: y3 ]. g/ j" t# e( d: k%训练目标误差为0.001
- O! ]# Z# f. j3 u( F  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
/ ~+ b- L9 f, q6 C. Jnet.trainParam.goal=0.001;
8 X) f) K4 D9 r3 K- i* j; 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);
) U: m3 l! O2 W0 u3 B- m: ]' 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
8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
& z( p; Q  R+ I1 C5 a9 ?( X1 y$ A5 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' }
5 H) B1 H' N2 }5 Z1 t5 |! {2 _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
$ ?0 ?1 W9 @7 d1 0.6 0.1 0 0 0 0   0 0 0 0.4 1 0.6 0;
# \2 S. f9 c0 v) 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
' k7 }7 Q* ]. m6 m2 s0 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
4 |, i4 y, v) u( D# c) a7 H0 0.6 0.6 0 0 0 0   0 0 0 0.4 1 0.6 0;
+ X1 j: _( N3 W& Y5 @) u( \& T6 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;
7 N" Y# Y1 x2 [, }+ 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
9 L" I2 a/ ?9 ~2 S' b0 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
( y4 q1 w2 v. M' v0 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
7 F; e" Q5 H& `" Z* v0 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
0 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;
' 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
0 0 0 0 0 0.2 0.5 0.8;
: t  G+ d! _* S" U0 a+ X) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
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;
4 m6 e3 Y* J! u( n. u3 U0 0 0 0 0 0.2 0.5 0.8;
. 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
, Q0 b- E3 n: g) _0 h  W2 [. Q0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
3 k) A. i( d4 V5 R# F8 F, X0 0 0 0 0 0.2 0.5 0.8;
( g/ t, _& L6 P0 H/ A; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
/ a" R' c+ V# \; V& t) a+ K$ C/ z  S( 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'
& m0 p) i/ [( j1 \! h4 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
0 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
%训练目标误差为0.001
  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
3 W6 M4 Y3 b% N; wnet.trainParam.goal=0.001;
; h( m) _: w: c5 c; 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);
7 p/ X! \% Y" k( z: @" j) Y. B! m8 y: ]' a& `$ b' K& z& a%求训练值在每一个点上的误差: \5 F' N/ k7 o
/ ^) M: @5 \. b% T9 Jfor i=1:16
  l/ S" h. q% Z0 T; ^8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
5 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