[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' N" P5 F8 H/ [3 b

[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' }
1 v- A0 f* G1 H! h3 J3 {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
# o7 n; L" U* J4 ?' e1 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
* A% o, i3 T$ b* [# e6 I) ~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;
3 A6 `. S! X9 c  S, w6 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
/ b( z0 }# e2 L4 M8 L- L1 |6 k0 0 0.6 1 0 0 0    1 0.5 0 0 0 0 0;
7 V/ J7 v* E4 h2 q+ s/ }$ }2 u' J' O& Y0 0 0.6 1 0 0 0    0 0.5 1 0.4 0 0 0;
. }0 b' C0 f; N' W$ _# 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
  w" w, i& A5 W: e5 e$ m5 C3 W0 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
5 E- s: w' o+ Z' e# \6 z; m8 |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
( U  p  E! G8 L2 z/ G7 h0 0 0 0 1 0.6 0    0 0 0 0 0 0 0.8]';/ Q' c' j* D1 Y9 w. a5 [
. G% H( E. @" _4 d$ q  V0 HT=[1 0.5 0 0 0 0 0 0;+ F, _7 y% q  B" Z
; `5 v( z7 m3 Z* M" e0 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
' s& Z7 T+ A2 A" {' @/ m8 d/ s0 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;
7 e9 A: t# e  d/ \" W# X  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
, v6 o9 ~6 b; T0 R" e  n' x; `* t0 0 0 0 0 0.2 0.5 0.8;
0 b# o. V+ n. f/ K; s) 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
& b$ F+ v( \4 M% i/ [5 b4 x+ C0 0 0 0.2 0.6 1 0.6 0.2;
  p2 o& ~* X7 U( D2 N4 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
& B) E- Q, a. g& P6 _8 n0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
4 d6 R5 x; w% ^& o0 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]';
; K" H/ p/ O7 `, S  s2 k( 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'
& ?8 q5 J' i' F: e* h/ S8 v4 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
  v1 Q' G& r  Y0 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
0 I5 P- i  ~( F%训练目标误差为0.001
  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
, Q: [* I2 }/ h5 K# hnet.trainParam.goal=0.001;
' J& X1 b! z& 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);
: ]' 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
6 C' V8 \" d$ A( v+ d) l8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
% W, m! p6 v' z% Y5 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
; l8 o2 q9 `3 F1 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
! R/ _  h0 _% T$ [( w8 |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
+ ?, N% R8 z3 B6 f: c" C- ^3 n0 0.6 0.6 0 0 0 0   1 0.5 0 0 0 0 0;; G6 ?) Q# P: @. f4 i& c
/ F- ~/ D3 \- U$ c: @6 n2 C0 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;
( r' S& ^5 m/ V+ t. v* B3 Q6 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
# u: r# f4 b1 B( u/ \0 a, E0 0 0.6 1 0 0 0    1 0.5 0 0 0 0 0;
- k* Q& B, [" J9 D$ y& Z+ 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
4 u( P% G5 A  g4 Z0 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
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
. j' E3 K9 l; C4 L; `6 j0 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
8 K  f4 `/ `/ z  x5 u0 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;
! ]9 V- T/ H, _3 w# }  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
; X' Q; S3 j8 ~$ ^7 n0 U8 [6 G- v0 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;
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  ]. {" X. K4 _6 B4 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
: l# Q3 u. W( s/ J5 w( ^, l3 T% [0 0 0 0.2 0.6 1 0.6 0.2;, Q& Q; h+ \' @+ D9 W, _6 t
  @, ?% I5 F( K- E! N" c( X! o; Y( |0 0 0 0.2 0.6 1 0.6 0.2;% a& I% x. Y* b! S3 Z
) D' M  U* l& }" a, Y% p0 0 0 0 0 0.2 0.5 0.8;
5 t+ d1 k2 J9 F1 v2 e0 p; 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
& q  r2 S" S/ f- E$ r%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
& ?# O  J) G8 @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
- a2 k: V+ h7 |5 z* C) p0 h* \%训练目标误差为0.001
0 {8 x1 n. V  \+ e  ]! [) p+ D+ cnet.trainParam.epochs=1000;* |  r9 y5 [5 H2 N5 i+ Q6 @
0 M5 I* W9 Q; m* H: {net.trainParam.goal=0.001;
( o6 u7 P0 V9 w5 o4 n$ e: e; 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);
) @2 a" e+ B3 r! S: J: u+ p: ]' a& `$ b' K& z& a%求训练值在每一个点上的误差: \5 F' N/ k7 o
4 k4 y4 n) }; B! Y" v8 tfor i=1:16
8 B* m8 \- W: _! N/ j    x(i)=norm(Y(:,i));
+ C; K" s2 y. x; K/ ^1 V6 F" V5 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