[原创]冯向军知觉_1.docVIP

[原创]用冯向军知觉模型实现HARTLEY信息、香侬信息、复杂度信息、本质信息、KULLBACK相对信息、鱼罩子广义信息、观控隶属度、观控隶属域的超大统一(待续) 冯向军 2006/01/29 于 美国 (甲) 信息最终要被信息接受者所反映。这就是为什么冯向军要在WEBER-FECHNER的基础上 建立起更一般的知觉模型 deltaS = a(deltaOS/ OS) + b(deltaOS) (1) 这其中 a、b为待定常数。 OS为某种客观的刺激； deltaS 为因客观刺激的变化而引发的感官变化； a(deltaOS/ OS) 是因客观刺激的相对变化而引发的感官变化； deltaOS是因客观刺激的绝对变化(或相对于某种不变的客观标准的变化)而引发的感官变化； 通过这些日子的讨论，我已逐步展示确实可以用上述模型来实现HARTLEY信息、香侬信息、复杂度信息、本质信息、KULLBACK相对信息、鱼罩子广义信息、观控隶属度、观控隶属域的超大统一。 (乙) (一) 我们从WEBER-FECHNER对数律推导出广义的相对信息的一种一般形式，从冯向军的知 觉模型得到了更一般的形式. 现在再把视野稍微扩展一点。把U视为刻划与信息有关的{不确定性，复杂性，可区 分性...}的某种参数. 我们诚恳地认为，几乎所有比较流行的信息测度模式均可归于如下方程、定律、模 型 (A) RI = log2 (U/Ub) (1-1) (广义相对信息的一种一般形式) (B) REs = p1* log2(U1/Ub) + p2* log2(U2/Ub) +...+ pn* log2(Un/Ub) (2-1) (具有单独可变门槛Ub的广义相对熵。) REm = p1* log2(U1/Ub1) + p2* log2(U2/Ub2) +...+ pn* log2(Un/Ubn) (3-1) (具有多种可变门槛的广义相对熵。) (C) WEBER-FECHNER对数律 delta S = a(deltaU/U) (4-1) (D) 冯向军的知觉模型 delta S = a(deltaU/U) + b(deltaU) (5-1) 这其中 U为描述与信息密切相关的{不确定性，复杂性，可区分性}的某种参 数，Ub, Ub1,Ub2,...Ubn为这种参数的可控达门槛。 p1, p2, ...pn是一概率分布， p1 + p2 +...+pn =1 (二) 现举例说明。 当 U 为 1/p, 而p为符号的概率， Ub = 1/max(p) =1，按(1-1)我们就有 RI = log2 (1/p) (1-2) 这RI就是汉明先生给出的信息的工程定义。 当 U 为 张学文玻尔兹曼状态数W，而Ub = min(W) =1， 按(1-1)我们就有 RI = log2 (W) (2-2) 这RI就是张学文广义集合的一种很好的复杂度。 当 U = 1/N， 而N为N种可能性， Ub = 1/min(N) = 1，按(1-1)我们就有 RI = log2 (N) (3-2) 这RI就是HARTLEY信息。 当 Ui = 1/pi, pi 为符号i的概率， i = 1，2， ..., n Ub = 1/max(p) = 1, 按 (2-1)式就有 REs = -p1log2 (p1) -p2log2(p2) -...-pnlog2(pn) (4-2) 这REs就是SHANNON信息熵。 当 Ui = pi, pi 为符号i的概率， i = 1，2， ..., n Ub = 1/n, 按 (2-1)式就有 REs = log2 (n) –[- p1log2 (p1) -p2log2(p2) -...-pnlog2(pn)] (5-2) 这REs就是于宏义先生的风险熵，我称之为聚集熵。(表面两者矛盾，实际上在不同条件下两者在某种程度上相通。) 当 Ubi = 1/pi, 而Ui =1/qi，qi是另一概率分布，i = 1，2，...,n，按 (3-1)式 就有 REm = p1log(p1/q1) +p2log(p2/q2) +...+ pklog(pk/qk) (6-2) 这REm就是Kullback-Leibler 相对熵。 当 U = 混淆概率 Q(Aj/xi), Ub= Q(Aj), 按(1-1)就有鱼罩子广义互信息 RI = I(xi, Aj) = log2(Q(Aj/xi) /Q(Aj)) (7-2) 当 U = 观控隶属域f(I)，Ub = 任意指定的门槛隶属域fb，按 (1-1)就有观控互信息 GKI(xi,I) = log2( f(I/xi)/fb ) (8-2) 当pi = p(xi/zk), Ui =Qk(xi/zk), Ubi =Q(xi), 按 (3-1)就有