Professional Documents
Culture Documents
lec04 dịch
lec04 dịch
Nội dung
Markov
1
Lê Nguyên Khôi Lý thuyết thông tin
Machine Translated by Google
Convex: Một hàm () được cho là lồi trên một khoảng (,)
nếu với mọi 1, 2 (,) và 0 ≤ ≤ 1
+ 1 - ≤ 1 + 1 - ( 2)
2 1
là hoàn toàn lồi nếu bình đẳng giữ Chỗ lõm là như thế này
Ví dụ:
Lồi: 2
, , , (≥ 0)
Phần lõm: , (≥ 0)
Định lý: Nếu đạo hàm cấp hai của hàm số không âm trên một
khoảng thì hàm số lồi trên khoảng đó
2
() ≥ ()
Chứng minh bằng quy nạp vào
= k:
1
= = + (1 -)
= 1 = 1
1 -
1
Giả sử JI đúng
≥ + 1 - với = k - 1
Tiếp theo từ 1 -
= 1
định nghĩa của
1
lồi
≥ + 1 - = ()
= 1
1 -
(||) ≥ 0
Với bằng nhau nếu và chỉ khi = () cho tất cả
Cho =: > 0
Của Jensen
- = - =
khúc gỗ khúc gỗ
Bất bình đẳng
:
if = 0: vì log là hoàn toàn lõm, đẳng thức giữ nếu () / () là một hằng
số
Như = = 1, do đó = 1 & ≡
= 1
,…, 1 và = nhật ký chút ít
0 ≤ ( ) = khúc gỗ = log -
0 ≤ ( ) = log -
≤ nhật ký
1: = 1: 1 ≤ ()
= 1 = 1
; = + - ,
,
= nhật ký
= (,) Với () ≥ 0
đẳng thức nếu và chỉ khi
(,) ≡ () & độc lập
Hệ quả: (; |) ≥ 0
với sự bình đẳng nếu và chỉ khi và độc lập có điều
kiện cho trước
; = -
≤ ()
Thí dụ
Hãy , có sự phân phối chung sau:
, = =
= 0 3
4
= 1 1
số 8 số 8
Chuỗi Markov
Được đặt theo tên của nhà toán học người Nga Andrey
Markov
Nhiều ứng dụng làm mô hình thống kê của thế giới thực
các quy trình, chẳng hạn
các phương tiện cơ giới xếp hàng hoặc dòng khách đến
sân bay tỷ giá hối đoái của tiền tệ tăng dân số của
11
Lê Nguyên Khôi Lý thuyết thông tin
Machine Translated by Google
Chuỗi Markov
thứ tự đó ( ) nếu
Phân phối có điều kiện của chỉ phụ thuộc vào
Chuỗi Markov
Hậu quả:
iff và độc lập có điều kiện
cho trước
= (,) = () ,
,
() ()
= , =
Chuỗi Markov
Hậu quả:
iff
= (,,) = () ,
,
(,) (,)
= =
() (,)
Vì vậy, thuộc tính chuỗi Markov là đối xứng
Chuỗi Markov
hiệu khoảng trắng (bỏ qua dấu câu và sự khác biệt giữa chữ
Xây dựng các mô hình cho tiếng Anh bằng cách sử dụng các
phân phối thực nghiệm được thu thập từ các mẫu văn bản
Tần suất các chữ cái trong tiếng Anh không đồng đều
Tần suất xuất hiện của các cặp chữ cái cũng cách xa
đồng phục
Chúng tôi cũng có thể ước tính xác suất có điều kiện bậc
cao hơn và xây dựng các mô hình phức tạp hơn cho ngôn ngữ
Dưới đây là một số ví dụ về các phép gần đúng Markov đối với
Tiếng Anh từ bài báo gốc của Shannon:
Xấp xỉ bậc 0
XFOML RXKHRJFFJUJ ZLPWCFWKCYJ FFJEYVKCQSGXYD
QPAAMKBZAACIBZLHJQD
Xấp xỉ bậc nhất
OCRO HLI RGWR NMIELWIS EU LL NBNESEBYA TH EEI
ALHENHTTPA OOBTTVA NAH BRL
Xấp xỉ bậc hai
TRÊN IE ANTSOUTINYS LÀ T INCTORE ST BE S DEAMY ACHIN
D THÚ VỊ BẤT NGỜ TẠI TEASONARE FUSO TIZIN ANDY
Dưới đây là một số ví dụ về các phép gần đúng Markov đối với
Tiếng Anh từ bài báo gốc của Shannon:
Xấp xỉ bậc ba.
KHÔNG CÓ GÌ NỮA NỮA NỮA NỮA NÀO TẠO HÌNH ẢNH HƯỞNG ĐẾN BERS GROCID PONDEN MỘT SỐ
Xấp xỉ bậc 4.
CÔNG VIỆC ĐƯỢC PHÁT TRIỂN CUNG CẤP TỐT HƠN GIỮA MÃ ĐƯỢC HIỂN THỊ, CÁC CẬP NHẬT
(CÀI ĐẶT LỖI LỖI. KHÔNG BAO GIỜ BẤT CỨ CÔNG BỐ VÀ LÝ THUYẾT NÀO. THỬ THÁCH SỰ KIỆN ĐỂ
LOẠI BỎ BẰNG CHỨNG BẰNG BỘ NHƯ CÓ)
Ví dụ, các cụm từ dài của giá trị gần đúng nhất có thể dễ dàng
xuất hiện trong một câu tiếng Anh thực. Có vẻ như chúng ta
có thể nhận được một giá trị gần đúng rất tốt bằng cách sử dụng
một mô hình phức tạp hơn
Những giá trị gần đúng này có thể được sử dụng để ước tính
entropy của tiếng Anh
Ví dụ, entropy của mô hình bậc 0 là log 27 = 4,76 bit trên mỗi chữ
cái
Các ứng dụng của mô hình ngẫu nhiên của ngôn ngữ:
Nhận dạng giọng
nói Dịch máy thống kê
Xử lí dữ liệu
Định lý Xử lý Dữ liệu
Nếu thì ; ≥;
Việc xử lý không thể làm tăng thông tin về ;
dụng quy tắc dây chuyền theo những cách khác nhau)
; , =; Dấu +; =; Dấu +;
Nhưng chuỗi Markov
; = 0
kể từ đây ; Dấu +; vì =;
thế ; ≥; và ; ≥;
Người ta không thể tạo ra thông tin bằng cách thao tác
dữ liệu
Nhưng không có thông tin nào bị mất nếu quyền bình đẳng được duy trì
≤ ≤ + nhật
-
ký ) (- 1)
( ≥ ≥
khúc gỗ khúc gỗ
Dạng bất đẳng thức về sau yếu hơn nhưng dễ sử dụng hơn
nhưng phải lưu ý rằng xác suất lỗi
NÊN lớn hơn 0 (≥ 0)
, = + , = + ,
+ 0 = + ,
≤ + ,
= + , = 0 1 - + , = 1
≤ + 0 × 1 - + nhật ký
Tìm xác suất tối thiểu của công cụ ước tính lỗi và
liên kết
= = log = + = =
+ = =
1 1 1 1 1 1 1 1 1
= , , = + , , = + , , =
2 4 4 2 4 4 2 4 4
1 1 1 1 1 1
= , , = + = + = = , , × 1 = 1,5
2 4 4 2 4 4
1 1,5 1
Do đó ≥ = = 0,316.
khúc gỗ log 3
1 1,5 1
As , áp dụng hình thức mạnh hơn ≥ = = 1
2
log 1 log 3 1
trong khi nếu> 2 thì = 1 hoặc 2 với xác suất bằng nhau.