自信息和互信息、信息熵

自信息

自信息(英語:self-information)奏候,又譯為信息本體循集,由克勞德·香農(nóng)提出,用來衡量單一事件發(fā)生時(shí)所包含的信息量多寡蔗草。它的單位是bit,或是nats咒彤。

自信息的含義包括兩個(gè)方面:

1.自信息表示事件發(fā)生前疆柔,事件發(fā)生的不確定性。

2.自信息表示事件發(fā)生后镶柱,事件所包含的信息量旷档,是提供給信宿的信息量,也是解除這種不確定性所需要的信息量歇拆。

互信息

互信息(Mutual Information)是信息論里一種有用的信息度量鞋屈,它可以看成是一個(gè)隨機(jī)變量中包含的關(guān)于另一個(gè)隨機(jī)變量的信息量,或者說是一個(gè)隨機(jī)變量由于已知另一個(gè)隨機(jī)變量而減少的不肯定性 故觅。

離散隨機(jī)事件之間的互信息:

換句話說就是厂庇,事件x,y之間的互信息等于“x的自信息”減去 “y條件下x的自信息”。 ?I(x)表示x的不確定性输吏,I(x|y)表示在y發(fā)生條件下x的不確定性权旷,I(x;y)表示當(dāng)y發(fā)生后x不確定性的變化。 ?兩個(gè)不確定度之差评也,是不確定度消除的部分炼杖,代表已經(jīng)確定的東西,實(shí)際就是由y發(fā)生所得到的關(guān)于x的信息量盗迟±ば埃互信息可正可負(fù)(但是自信息一定是正的),所以就有了任何兩事件之間的互信息不可能大于其中任一事件的自信息罚缕。(畢竟I(x;y)=I(y;x)=I(x)-I(x|y)=I(y)-I(y|x), ?I(x|y)和I(y|x)皆大于0 ?)

  如果x事件提供了關(guān)于另一事件y的負(fù)的信息量艇纺,說明x的出現(xiàn)不利于y的出現(xiàn)。

  另一個(gè)角度邮弹,如果x和y統(tǒng)計(jì)獨(dú)立黔衡,即I(x|y)=I(y|x)=0. 則就會(huì)出現(xiàn)I(x;y) = I(x) ?這種情況!腌乡,這也說明了另一個(gè)問題盟劫,就是一個(gè)事件的自信息是任何其他事件所能提供的關(guān)于該事件的最大信息量。


信息熵:

含義:

1.在信源輸出后与纽,表示每個(gè)信源符號(hào)所提供的平均信息量侣签。

2.在信源輸出前,表示信源的平均不確定性急迂。

3.表示信源隨機(jī)性大小影所,H(x)大的,隨機(jī)性大

4.當(dāng)信源輸出后僚碎,不確定性解除猴娩,熵可視為解除信源不確定性所需的信息量。

信息熵的計(jì)算:

  離散信源的熵等于所對(duì)應(yīng)的有根概率樹上的所有節(jié)點(diǎn)(包括根節(jié)點(diǎn),不包括葉)的分支熵用該節(jié)點(diǎn)概率加權(quán)的和卷中,即H(x)=∑q(ui)H(ui) 式中q(ui)為節(jié)點(diǎn)ui的概率矛双,H(ui)為節(jié)點(diǎn)ui的分支熵。

?條件熵:

另外 ?【 H(1/2) = 2* -1*(1/2)log2(1/2) = 1 ? ?H(1/3)=3* -1*(1/3)log2(1/3) = log23 ≈1.585 bit/符號(hào)】


聯(lián)合熵:

另外【 H(1/3,1/3,1/3)=3* -1*(1/3) ??(1/3) = log23?≈1.585 bit/符號(hào) ?,H() ?的括號(hào)中如果只有一個(gè)分?jǐn)?shù)1/2仓坞,那么就代表是 H(1/2,1/2) ?畢竟2*1/2=1,同理H(1/3)代表 H(1/3,1/3,1/3)? 】

熵的基本性質(zhì):

1.對(duì)稱性?2.非負(fù)性 3.拓展性 ?4.可加性?

?有以下表述:

5.極值性

離散最大熵定理:對(duì)于有限離散隨機(jī)變量集合背零,當(dāng)集合中的事件等概率發(fā)生時(shí),熵達(dá)到最大值无埃。可由散度不等式證明:

即H(x)≤logn,僅當(dāng)P(x)等概率分布時(shí)等號(hào)成立毛雇。

6.確定性 :當(dāng)隨機(jī)變量集合中任一事件概率為1時(shí)嫉称,熵就為0. ? ? ?換個(gè)形式來說,從總體來看灵疮,信源雖含有許多消息织阅,但只有一個(gè)消息幾乎必然出現(xiàn),而其他消息幾乎都不出現(xiàn)震捣,那么荔棉,這是一個(gè)確知信源,從熵的不確定性概念來講蒿赢,確知信源的不確定性為0.

7上凸性:H(p)=H(p1,p2,p3,...,pn)是(p1,p2,p3,...,pn)的嚴(yán)格上凸函數(shù)润樱。


各類熵之間的關(guān)系:

1.條件熵與信息熵之間的關(guān)系

H(Y|X) ≤?H(Y) ??這說明了:在信息處理的過程中,條件越多羡棵,熵越小壹若。

2.聯(lián)合熵和信息熵的關(guān)系

H(X1X2...XN)≤∑i=1N?H(Xi) ?當(dāng)且僅當(dāng)Xi相互獨(dú)立時(shí),等式成立皂冰。


熵函數(shù)的唯一性:

如果熵函數(shù)滿足:(1)是概率的連續(xù)函數(shù) ?(2)信源符號(hào)等概率時(shí)是n(信源符號(hào)數(shù))的增函數(shù)(H(X)=log2n)店展; ?(3)可加性 ?(H(XY) = H(X) + H(Y|X) ?=H(Y) + H(X|Y)? ?)

那么,熵函數(shù)的表示是唯一的秃流,即只與定義公式相差一個(gè)常數(shù)因子赂蕴。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市舶胀,隨后出現(xiàn)的幾起案子概说,更是在濱河造成了極大的恐慌,老刑警劉巖峻贮,帶你破解...
    沈念sama閱讀 223,002評(píng)論 6 519
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件席怪,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡纤控,警方通過查閱死者的電腦和手機(jī)挂捻,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,357評(píng)論 3 400
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來船万,“玉大人刻撒,你說我怎么就攤上這事骨田。” “怎么了声怔?”我有些...
    開封第一講書人閱讀 169,787評(píng)論 0 365
  • 文/不壞的土叔 我叫張陵态贤,是天一觀的道長。 經(jīng)常有香客問我醋火,道長悠汽,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,237評(píng)論 1 300
  • 正文 為了忘掉前任芥驳,我火速辦了婚禮柿冲,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘兆旬。我一直安慰自己假抄,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,237評(píng)論 6 398
  • 文/花漫 我一把揭開白布丽猬。 她就那樣靜靜地躺著宿饱,像睡著了一般。 火紅的嫁衣襯著肌膚如雪脚祟。 梳的紋絲不亂的頭發(fā)上谬以,一...
    開封第一講書人閱讀 52,821評(píng)論 1 314
  • 那天,我揣著相機(jī)與錄音愚铡,去河邊找鬼蛉签。 笑死,一個(gè)胖子當(dāng)著我的面吹牛沥寥,可吹牛的內(nèi)容都是我干的碍舍。 我是一名探鬼主播,決...
    沈念sama閱讀 41,236評(píng)論 3 424
  • 文/蒼蘭香墨 我猛地睜開眼邑雅,長吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼片橡!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起淮野,我...
    開封第一講書人閱讀 40,196評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤捧书,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后骤星,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體经瓷,經(jīng)...
    沈念sama閱讀 46,716評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,794評(píng)論 3 343
  • 正文 我和宋清朗相戀三年洞难,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了舆吮。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,928評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖色冀,靈堂內(nèi)的尸體忽然破棺而出潭袱,到底是詐尸還是另有隱情,我是刑警寧澤锋恬,帶...
    沈念sama閱讀 36,583評(píng)論 5 351
  • 正文 年R本政府宣布屯换,位于F島的核電站,受9級(jí)特大地震影響与学,放射性物質(zhì)發(fā)生泄漏彤悔。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,264評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望暇务。 院中可真熱鬧,春花似錦、人聲如沸涉馅。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,755評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽疲憋。三九已至,卻和暖如春渺尘,著一層夾襖步出監(jiān)牢的瞬間挫鸽,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,869評(píng)論 1 274
  • 我被黑心中介騙來泰國打工鸥跟, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留丢郊,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 49,378評(píng)論 3 379
  • 正文 我出身青樓医咨,卻偏偏與公主長得像枫匾,于是被迫代替她去往敵國和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子拟淮,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,937評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容

  • 最大熵模型 0.引言 這部分內(nèi)容主要是從七月在線的課程上學(xué)習(xí)到的干茉,算是自己的學(xué)習(xí)筆記。在介紹最大熵模型和EM算法之...
    吳金君閱讀 1,456評(píng)論 0 1
  • 保留初心,砥礪前行 這一章節(jié)講解的是關(guān)于信息的某些度量委造。 我們常常說信息很多戳鹅,或者信息較少,但卻很難說清楚信息到底...
    加勒比海鮮王閱讀 1,284評(píng)論 2 15
  • 參考https://blog.csdn.net/haolexiao/article/details/7014257...
    reeuq閱讀 3,165評(píng)論 0 0
  • 自駕游第二日來到野三坡。野三坡百介紹:河北省西北部燃异,保定市淶水縣境內(nèi)携狭。它以“雄、險(xiǎn)回俐、奇逛腿、幽”的自然景觀和古老的歷史...
    6bf9c8e672b3閱讀 581評(píng)論 0 0
  • 許久沒來簡書了,看來寫作要堅(jiān)持下去真的不是一件容易的事情仅颇。也許是因?yàn)樯钪蟹彪s瑣碎的事情太多单默,沒有心情寫作;也許是...
    魚1967閱讀 187評(píng)論 0 0