南京工程学院信息论参考试卷信息论与编码的学习要点.docVIP

信息论与编码的学习要点 自信息 自信息表示随机事件xi发生前的不确定性或发生后所包含的信息量，其定义为： 互信息 互信息表示已知事件yj后所消除的关于事件xi的不确定性，等于事件xi本身的不确定性I(xi)—已知事件yj后对xi仍然存在的不确定性I(xi/yj)，其定义为： 平均自信息 平均自信息表示整个信源（用随机变量X表示）的平均不确定性，它等于随机变量X的每一个可能取值的自信息I(xi)的统计平均值，其定义为： 离散信源的最大熵 离散信源中各消息等概率出现时熵最大，也称最大离散熵定理： 联合熵 联合熵表示二维随机变量XY的平均不确定性，它等于联合自信息的统计平均值，其定义为： 条件熵 条件熵表示已知随机变量X后，对随机变量Y仍然存在的平均不确定性，其定义为： 各类熵之间的关系为： H(XY)=H(X)+H(Y/X)=H(Y)+H(X/Y)≤H(X)+H(Y) X,Y统计独立时，H(XY)=H(X)+H(Y) 平均互信息 平均互信息表示收到一个符号集（用随机变量Y表示）后消除的关于另一个符号集（X）的不确定性，也就是从Y所获得的关于X的平均信息量，其定义为： 平均互信息和各类熵之间的关系： I(X;Y)=H(X)-H(X/Y)=H(Y)-H(Y/X)=H(X)+H(Y)-H(XY) 当X和Y统计独立时，I(X;Y)=0 数据处理定理 如果随机变量X，Y，Z构成一个马尔可夫链，则有： I(X;Z)≤I(X;Y) I(X;Z)≤I(Y;Z) 等号成立的条件是对于任意的x，y，z，有p(x/yz)=p(x/z)和p(z/xy)=p(z/x) 数据处理定理中不等式I(X;Z)≤I(X;Y)表明从Z所获得的关于X的信息量小于等于从Y所获得的关于X的信息量。如果将Y→Z看成数据处理系统，则通过数据处理后，虽然可以满足我们的某种具体要求，但是从信息量来看，处理后会损失一部分信息，最多保持原来获得的信息，即对收到的数据Y进行处理后，决不会减少关于X的不确定性。 （极限熵）熵率 极限熵表示离散多符号信源的平均不确定性，它是信源输出的符号序列中平均每个符号所携带的信息量。 N→∞时极限存在，则称之为熵率，或极限熵，其定义为： 称为平均符号熵，表示随机变量序列中，对前N个随机变量的联合熵的平均： 离散平稳无记忆信源的极限熵 多符号信源中最简单的是离散平稳无记忆信源，其极限熵H∞=H(X) M阶马尔可夫信源的极限熵 如果信源在某时刻发出的符号仅与此前发出的m个符号有关，即m阶马尔可夫信源，其极限熵为： 离散平稳马尔可夫信源，可将上述符号的不确定性问题转化为齐次、遍历的马尔可夫链的状态转移问题： 信源的冗余度 冗余度的定义为： 连续信源的微分熵 连续信源的最大熵 对于输出信号幅度受限的连续信源，当满足均匀分布时达到最大熵；对于平均功率受限的连续随机变量，当服从高斯分布时具有最大熵。 码的分类 非分组码 分组码：奇异码和非奇异码（非唯一可译码、唯一可译码（即时码、非即时码）） 无失真定长信源编码定理 离散无记忆信源的熵H(X)，若对长为N的信源序列进行定长编码，码符号集中有r个码符号，码长为L，则对于任意小的正数ε，只要满足，则当N足够大时，可实现几乎无失真编码，即译码错误概率为任意小。反之，如果，则不可能实现几乎无失真编码，当N足够大时，译码错误概率为1。 克劳夫特不等式 无失真变长信源编码定理（香农第一定理） 失真函数 ，单个符号的失真函数或失真度，表示信源发出一个符号xi，而在接收端再现为yj所引起的误差或失真的大小。 平均失真 信源的平均失真度表示某个信源通过某个信道传输后失真的大小，其定义为： 保真度准则 如果要求信源的平均失真度所允许的失真D，成为保真度准则。 D失真许可的试验信道 信息率失真函数 对于给定的信源，总存在一种信道使I(X;Y)达到最小。 R(D)是关于D的下凸函数，且在定义域内是严格递减函数。 限失真信源编码定理（香农第三定理） 设为一离散平稳无记忆信源的信息率失真函数，并且有有限的失真测度。对于任意的以及任意足够长的码长n，则一定存在一种信源编码C，其码字个数为：，而编码后的平均失真度。 如果用二元编码，取比特为单位，则上式M可写成 该定理说明：对于任何失真度，只要码长足够长，总可以找到一种编码C，使编码后每个信源符号的信息传输率，，即，而码的平均失真度。 信道容量 对于给定的信道，I(X;Y)是p(xi)的上凸函数，即总存在一种信源具有某种概率分布，使信道平均传输一个符号接收端获得的信息量最大，也就是说对于每个固定信道都有一个最大的信息传输率，这个最大的信息传输率即信道容量，而相应的输入概率分布称为最佳输入分布。C的定义为： 对称信道的C 准对称信道的C 离散平稳无记忆信道的N次扩展信道的C 独立并联信道的