逻辑深度分类.docVIP

用逻辑深度表征和分类数字图像 A computable universe的编者Hector Zenil及其合作者发表的文献Image Characterization and Classification by Physical Complexity 中，证明了虽然“物理的复杂度”不可计算，但稳定的近似依然具有在图像处理上的应用价值。在这里，所谓“物理的复杂度”指的乃是C.H.Bennett早在1987年定义的逻辑深度，名称来源于逻辑深度的研究动机为量化物理系统的复杂性（见Logical depth and physical complexity） 逻辑深度（下简称深度）与Kolmogorov复杂度（下简称复杂度）密切相关。指定一台适当的通用机作为参考机，二元数据的复杂度定义为在参考机上运行并输出该数据的最短程序长度，而深度则定义为该最短程序生成原数据所需的步数【1】。研究揭示复杂度极高的数据应具有随机噪声的特征，而深度极高的数据则具有高度复杂的结构性特征。因此，复杂度往往衡量的实际上是“随机”，而深度衡量的才更接近我们直觉中的“复杂”概念。 由于恼人的不可计算性，逻辑深度的研究常常被局限于纯理论方面。但同样不可计算的Kolmogorov复杂度早已通过近似方法被应用于基因谱系和语言谱系的分析，音乐风格的机器识别，数据挖掘，复杂网络的表征，交通流和蠕虫病毒的研究，改进支持向量机的