1. 數據壓縮

假設任何文件都可以被壓縮到 n 個二進制位（bit），那么其最多可以表示 2n 個不同的壓縮結果。也即，如果存在 2n+1 個文件，根據鴿籠原理，必然至少有兩個文件得到同一壓縮效果。這就意味著，這兩個文件不可能都無損地還原。

因此，可以得出一個相對抽象的結論，并非所有文件都可以被壓縮到 n 個bit 位以內。

數據壓縮的原理，壓縮原理其實很簡單，本質上，所謂壓縮，就是找出文件內容的概率分布（probability distribution），將那些出現概率高的部分代替成更短的形式。相應地，如果內容毫無重復，就很難壓縮。極端情況就是，遇到那些均勻分布的隨機字符串，往往連一個字符都壓縮不了。比如，任意排列的10個阿拉伯數字（5271839406），就是無法壓縮的；再比如，無理數（比如π）也很難壓縮

2. 從數據壓縮到熵的引出

壓縮可以分解成兩個步驟（哈夫曼編碼）：

• 第一步是得到文件內容的概率分布，哪些部分出現的次數多，哪些部分出現的次數少；
• 第二步是對文件進行編碼，用較短的符號替代那些重復出現的部分。

如果文件內容只有兩種情況（1/5 vs 1/5比如扔硬幣的結果），那么只要一個二進制位就夠了，1 表示正面，0表示表示負面。如果文件內容包含三種情況（比如球賽的結果），那么最少需要兩個二進制位。如果文件內容包含六種情況（比如扔篩子的結果），那么最少需要三個二進制位。

一般來說，在均勻分布的情況下，假定一個字符（或字符串）在文件中出現的概率是 p，那么在這個位置上最多可能出現 1/p 種情況。需要 log2(1/p)個二進制位表示替代符號。

這個結論可以推廣到一般情況。假定文件有 n 個部分組成，每個部分的內容在文件中的出現概率分別為 p1,p2,...,pn，顯然有 ∑ipi=1。那么，替代符號占據的二進制最少為下面這個式子。

log21/p1+log21/p2+?+log21/pn=∑ilog2(1/pn)

3. 信息熵

對于兩個相等（n）的文件，概率 p 決定了這個式子的大小：

• p 越大，表明文件內容越有規(guī)律，壓縮后的體積就越小；
• p 越小，表明文件內容越隨機，壓縮的程度不會太高；

為了便于文件之間的比較，將上式除以 n，可以得到平均每個符號所占用的二進制位：

∑log2(1/pn)/n

進一步將其轉換（p 是根據概率統(tǒng)計得到的）為：

∑pnlog2(1/pn)=E(log21/p)

又可視為一種期望，可以理解為，每個符號所占用的二進制位，等于概率倒數的對數的數學期望；

4. 簡單釋例

• 假定有兩個文件都包含1024個符號，在ASCII碼的情況下，它們的長度是相等的，都是 1KB。甲文件的內容 50%是a，30%b，20%是c，則平均每個符號要占用1.49個二進制位。

.5log2(1/.5)+.3log2(1/.3)+.2log2(1/.2)=1.485

• 乙文件的內容10%是a，10%是b，……，10%是j，則平均每個符號

10×.1log2(1/.1)=3.322

轉載于:https://www.cnblogs.com/mtcnn/p/9422853.html

總結

以上是生活随笔為你收集整理的熵与信息论的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。