[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？
& T/ K9 b8 q3 p  \2 R; O7 `

[此贴子已经被作者于2006-11-6 17:37:25编辑过]

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

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
/ g7 F8 t  X0 I0 y1 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;
) 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
. g) P' N0 D8 O/ y  m0 0.6 0.6 0 0 0 0   1 0.5 0 0 0 0 0;; G6 ?) Q# P: @. f4 i& c
: D0 N- S& G1 w. e# n. r4 K, c7 m0 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
& e4 r$ `4 u$ l6 U, }& ?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 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;
; I& L  q9 p4 z& r& 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
# u8 q6 U# C; I. Z8 R0 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
0 0 0 0 1 0.6 0    0 0 0 0 0 0 0.8]';/ Q' c' j* D1 Y9 w. a5 [
3 D- q* ~9 B- e  J7 D% a  {T=[1 0.5 0 0 0 0 0 0;+ F, _7 y% q  B" Z
4 P) B8 g& I( @3 q( A* W% u0 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
/ n  @$ K- a5 h+ d0 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;
/ q9 j" X' ^; O9 c( N  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;
  G9 n6 L4 m( C+ B- y, p) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
# _; X* H) P. B: i. }7 a; G. v2 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;
1 b) e# B! {6 B& J4 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
0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
$ S& k4 D; U3 [# @! B0 0 0 0 0 0.2 0.5 0.8;
2 o+ g" Z  }/ P( S' z3 @9 H; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
( 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
; M! l4 f0 s+ e3 w  w. E! Y$ d0 C& m3 c0 \* Nnet=newff(minmax(P),[29,8],{'tansig','logsig'},'traingdx');- ?/ b# _# j0 f* p8 n" w/ h" V
5 h) `9 [* w3 z%训练步数为1000次" ?8 _& L' `% A% T; |1 ?6 e
, Y2 V3 e% Q  x8 f%训练目标误差为0.001
. U. @" I4 L  ~5 E  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
; g' c& H' {$ u- {0 B( p' c6 z' fnet.trainParam.goal=0.001;
1 L. f2 a$ c8 a  n  S; H% t7 b: r8 W, G9 O+ i5 {* Lnet=train(net,P,T);; \7 P2 W, `. E+ h, o/ B# I1 l) M
% v- N& s( i$ y8 S) I: Y0 T9 hY=sim(net,P);
% V( P" [; e7 N$ O: ]' 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 W9 J9 O+ `1 [' z. N8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
: P; D0 [0 e/ I5 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
0 B3 g( ]4 L7 d; z. {3 e  C. }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
+ e# U) u5 c# A& u, Q: B# {+ `1 0.6 0.1 0 0 0 0   0 0 0 0.4 1 0.6 0;
5 A% D$ g) X/ f' g" 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 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;
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;
% Y' j$ s1 @# F+ 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
. k% |# G  m1 Q/ S) L0 0 0.6 1 0 0 0    0 0 0 0 0 0 0.8;
3 C/ t1 {9 j% C- _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
, G8 g" S- o8 e5 G! n% P0 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
! J* E2 L2 M" }4 K1 l0 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
4 b7 g2 ~% I7 d, e) K$ j0 0 0 0.2 0.6 1 0.6 0.2;
/ Y+ M3 {+ E; U1 s! T- S% 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;
5 f: V" a' ]! E) a8 J+ Z, ~8 {1 q3 Y! `( g0 0 0 0.2 0.6 1 0.6 0.2;
+ n( E) r$ A# `7 B- `1 i$ Z# G2 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
# K/ n. `( T! R+ s6 g0 0 0 0.2 0.6 1 0.6 0.2;
9 J0 D4 `+ G9 ]$ S) ~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
0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
0 0 0 0 0 0.2 0.5 0.8;
; M+ J5 J' ?6 ?* Z0 k: e# x0 0 0 0 0 0.2 0.5 0.8]';
( 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
& L: I% d! e* z4 B- o%中间层神经元的传递函数为'tansig'
/ J: Y7 B" d- q+ \8 {0 I6 u4 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
1 C; ~8 Z0 Y; x* Q: G8 K1 U) n%训练目标误差为0.001
  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
# x$ g# @: l5 G) k8 Y: I$ ]net.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);
! s& H  {, l) ^) ?: ]' a& `$ b' K& z& a%求训练值在每一个点上的误差: \5 F' N/ k7 o
3 _% K9 f1 Z6 v0 ^' lfor i=1:16
8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
& q, l! p3 e$ c5 d3 M5 o( Z9 A; [  n* ^* P% e

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？