逻辑深度分类.docx

用逻辑深度表征和分类数字图像 A computable uni verse 的编者 Hector Zenil 及其合作者发表的文献 Image Characterizati on and Classificatio n 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 ，改进支持向量机的训练算 法等方面，对于数据规模较大的情况，常用的近似办法是用各种性能优良的压缩算法 （gzip,bzip2,PPMZ,Deflate,Lempel-Ziv,Co ntext tree web 等）对数据进行压缩，将最小压缩包 的大小作为Kolmogorov复杂度的近似【2】，相应地，最小压缩包的解压时间则可以作为逻 辑深度的近似（排除干扰因素还需要一些技术细节，此处略去） 。 既然理论部分已经介绍完了，现在就来看看计算机实验成效如何。依据逻辑深度 从高到低 可以将图像文件分组排列如下： Croup A Croup B Croup C Croup D Croup E Croup F Croup C Group H la JM 2= MB BMarw 1 rw* ▼— PPP ■ es OW* 1 I ▲ - Y ■ 1 cpu. engines fractals and faces 0.161 ± O.(WO164 cpu. tablesand paintings0.15% 10.00010 writing, formulae and people 0.1586 ± 0.000谢7 monocromatic rectangles 0.1551 0.00017 spacefilling curves O.(W85 ± 0.00518 alternatedpixels0.0H66 t aooow randomlooking 0.0695 10,000218 monocromaticImages 0.0661 0.00021 从以上的结果可以看出，逻辑深度将“认为”分形结构，人脸，手写笔迹等比随机图案或纯 色更加复杂，假如逻辑深度的快速近似算法足够有效， 则它的应用价值或在于与图像分块法 结合，从大面积的图像中迅速识别出包含有效信息的区域。 目前笔者感到好奇的是逻辑深度是否也能够用于音乐的处理。上文已经提到 Kolmogorov复 杂度在这方面有所应用，逻辑深度与 Kolmogorov复杂度一样，在理论上是普适的度量而不 依赖于具体的领域，所以深度也可以被寄予冋等的期望。基于 1/f噪声理论的研究已经显示 不少经典乐曲在功率谱上具有强烈的共通性。 类似地，如果音乐的美感与逻辑深度之间有着 足够强的相关性的话，这会是非常有启示性的结论。 【1】 这个定义虽然符合原本的精神，但研究发现仅考虑最短程序会导致逻辑深度的不稳 定。如果存在多个比最短程序稍长，但运行较快的等价程序的话，简单地改变参考 机的选取就有可能造成逻辑深度的剧变。而且这种情况也会导致逻辑深度对随机性 太过敏感。为了克服这个缺陷， Bennett最终将串s的逻辑深度定义为所有比最短 程序不长出d比特的“准最短”程序中生成 s所需的最低步数，其中d是需要根据 实际情况确定的显著性参数。适当的 d将会引入足够多的程序的用时竞争，使深度 更加符合描述的要求。 Let s be a string and d a significance parameter A strings depth at significance d, is given by Dd(s) = minlT(p): (|p| - \pf\ d)^(U{p)= $)} the numbe