当前位置: 首页 > news >正文

推广营销费/站长工具seo综合查询columbu cat

推广营销费,站长工具seo综合查询columbu cat,linux下装wordpress,装修公司加盟哪家最好本专栏包含信息论与编码的核心知识,按知识点组织,可作为教学或学习的参考。markdown版本已归档至【Github仓库:information-theory】,需要的朋友们自取。或者公众号【AIShareLab】回复 信息论 也可获取。 文章目录信源分类按照信源…

本专栏包含信息论与编码的核心知识,按知识点组织,可作为教学或学习的参考。markdown版本已归档至【Github仓库:information-theory】,需要的朋友们自取。或者公众号【AIShareLab】回复 信息论 也可获取。

文章目录

    • 信源分类
    • 按照信源输出的信号取值分类
    • 按照信源输出信号(符号间)的依赖关系
    • 信源数学模型
      • 离散信源
      • 连续信源
        • 单符号离散无记忆信源(DMS, Discrete memoryless source)
        • 单个连续变量信源
        • 多维离散无记忆信源
        • 离散无记忆信源的扩展源

信源分类

按照信源输出的信号取值分类

1.连续(模拟)信源:

2.离散(数字)信源:

信源输出的信号是随机信号。

按照信源输出信号(符号间)的依赖关系

1、无记忆信源: 信源先后发出的符号相互统计独立,具有相同的概率分布;

2、有记忆信源: 信源先后发出的符号相互依赖。

连续信源是有记忆信源。

信源数学模型

信源:产生随机变量、随机序列和随机过程的信号源。

  • 在通信系统中收信者在未收到消息以前对信源发出什么消息是不确定的,是随机的,所以可用随机变量、随机序列或随机过程来描述信源输出的消息,或者说用一个样本空间及其概率测度——概率空间来描述信源

信源的基本特性:具有随机不确定性。

香农信息论的基本观点

  • 随机变量或随机矢量来表示信源
  • 概率论和随机过程的理论来研究信息

离散信源

用离散随机变量X表示单符号离散信源(一个符号表示一完整消息,符号取值可列),X的可能取值为信源发出的各种不同符号,X的概率分布为各符号的先验概率。

例:信源 X 的取值有 NNN 个, x1,x2,…,xNx_{1}, x_{2}, \ldots, x_{N}x1,x2,,xN , 称为信源字符集,各符号概率分布 P(x1),P(x2),…,P(xn)P\left(x_{1}\right), P\left(x_{2}\right), \ldots, P\left(x_{n}\right)P(x1),P(x2),,P(xn)ΣiP(xi)=1\Sigma_{i} P\left(x_{i}\right)=1ΣiP(xi)=1

连续信源

信源的取值为无穷不可数的连续值,其概率分布用概率密度函数p(x)表示,且

∫−∞∞p(x)dx=1\int_{-\infty}^{\infty} p(x) d x=1 p(x)dx=1

单符号离散无记忆信源(DMS, Discrete memoryless source)

如果信源 X\mathbf{X}X 的符号集 A={x1,…,xn}\mathbf{A}=\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{\mathrm{n}}\}A={x1,,xn} , 信源在离散时间发出单个符号, 且符号发生的概率相互独立, 称为单符号离散无记忆信源, 数学模型为:

[XP]=[x1⋯xnp(x1)⋯p(xn)]p(xi)≥0,∑i=1np(xi)=1\begin{array}{l} {\left[\begin{array}{l} X \\ P \end{array}\right]=\left[\begin{array}{ccc} x_{1} & \cdots & x_{n} \\ p\left(x_{1}\right) & \cdots & p\left(x_{n}\right) \end{array}\right]} \\ p\left(x_{i}\right) \geq 0, \quad \sum_{i=1}^{n} p\left(x_{i}\right)=1 \end{array} [XP]=[x1p(x1)xnp(xn)]p(xi)0,i=1np(xi)=1
其中 p(xi)p\left(x_{\mathrm{i}}\right)p(xi) 成为符号 xix_{\mathrm{i}}xi 的先验概率。

Example1:一个二元无记忆信源, 符号集 A={0,1} , p 为 X=0 的概率, q 为 X=1 的概率, q=1-p ; 请写出该信源的模型。
解:信源模型为

[XP]=[01pq]\left[\begin{array}{l} X \\ P \end{array}\right]=\left[\begin{array}{ll} 0 & 1 \\ p & q \end{array}\right][XP]=[0p1q]

单个连续变量信源

[XP]=[x∈(a,b)p(x)],∫abp(x)dx=1\left[\begin{array}{l} X \\ P \end{array}\right]=\left[\begin{array}{c} x \in(a, b) \\ p(x) \end{array}\right], \quad \int_{a}^{b} p(x) d x=1[XP]=[x(a,b)p(x)],abp(x)dx=1,其中 p(x)≥0p(x) \geq 0p(x)0 为信源输出的概率密度函数

多维离散无记忆信源

若一个信源输出是一系列离散的符号, 而每个符号又是随机的, 即信源输出为一系列随机变量 (随机矢量), 从而信源的输出可用 L 维随机矢量 [X1,X2,…,XL]\left[X_{1}, X_{2}, \ldots, X_{L}\right][X1,X2,,XL] 来描述, 其中 L\boldsymbol{L}L 为有限正整数或可数 的无限值。

上述随机矢量中, 若每个随机变量 Xi(i=1,2,…,L)X_{i}(\boldsymbol{i}=1,2, \ldots, L)Xi(i=1,2,,L) 都是离散的, 则可用 L 维离散概率空间来描述这类信源。

即若 L\boldsymbol{L}L 维随机矢量 X=[X1X2…XL],XiX=\left[X_{1} X_{2} \ldots X_{L}\right], X_{\mathrm{i}}X=[X1X2XL],Xi 的具体取值为 x∈(a1,a2,…an,)x \in\left(a_{1}, a_{2}, \ldots a_{n},\right)x(a1,a2,an,) , 对应概率为 PX(x)=P(x1x2…xL)P_{X}(x)=P\left(x_{1} x_{2} \ldots x_{L}\right)PX(x)=P(x1x2xL)L\boldsymbol{L}L 维联合概率分布, 则该信源的数学模型为

(XLP(x))=((a1a1…a1)…(a1a2…am)…(anan…an)P(a1a1…a1)…P(a1a2…am)…P(anan…an))\begin{array}{l} \left(\begin{array}{c} X^{L} \\ P(x) \end{array}\right) =\left(\begin{array}{ccccc} \left(a_{1} a_{1} \ldots a_{1}\right) & \ldots & \left(a_{1} a_{2 \ldots} a_{m}\right) & \ldots & \left(a_{n} a_{n} \ldots a_{n}\right) \\ P\left(a_{1} a_{1} \ldots a_{1}\right) & \ldots & P\left(a_{1} a_{2 \ldots} a_{m}\right) & \ldots & P\left(a_{n} a_{n} \ldots a_{n}\right) \end{array}\right) \end{array} (XLP(x))=((a1a1a1)P(a1a1a1)(a1a2am)P(a1a2am)(ananan)P(ananan))
其中离散消息序列长度为 L\boldsymbol{L}L , 序列每符号有 n\boldsymbol{n}n 种取值, 整个消息序列共有 nLn^{L}nL 种取值。

当输出序列中的前后消息(符号)相互统计独立, 且具有相同的概率分布, 则 L 维随机矢量的联合概率分布满足

P(X)=∏i=1LP(Xi=xj),j=1,2,…,nP(X)=\prod_{i=1}^{L} P\left(X_{i}=x_{\boldsymbol{j}}\right), \boldsymbol{j}=1,2, \ldots, n P(X)=i=1LP(Xi=xj),j=1,2,,n
L\boldsymbol{L}L 维随机矢量的联合概率分布可用随机矢量中单个随机变量的概率乘积来表示。这种信源为离散无记忆信源

离散无记忆信源的扩展源

设信源为 X\mathrm{X}X , 则由 X\mathrm{X}X 构成 N 维随机矢量集合 XN=[X1X2…XN],(\mathbf{X}^{N}=\left[X_{1} X_{2} \ldots X_{N}\right], \quad\left(\right.XN=[X1X2XN],( 其中 Xi\mathbf{X}_{\mathbf{i}}XiX\mathbf{X}X 同分布, 取自同一信源 X ),称为信源 X\mathrm{X}X 的 N 次扩展源

Example2:求例1中信源的二次扩展源模型:
Ex1\mathbf{E x} 1Ex1 的二元无记忆信源模型为

[XP]=[01pq]\left[\begin{array}{l} X \\ P \end{array}\right]=\left[\begin{array}{ll} 0 & 1 \\ p & q \end{array}\right][XP]=[0p1q]

其二次扩展信源为
[X2p(α)]=[α1(00)α2(01)α3(10)α4(11)p(α1)p(α2)p(α3)p(α4)]p(α1)=p2,p(α2)=p(1−p)=p(α3)p(α4)=(1−p)2\left[\begin{array}{l}X^{2} \\ p(\alpha)\end{array}\right]=\left[\begin{array}{llll}\alpha_{1}(00) & \alpha_{2}(01) & \alpha_{3}(10) & \alpha_{4}(11) \\ p\left(\alpha_{1}\right) & p\left(\alpha_{2}\right) & p\left(\alpha_{3}\right) & p\left(\alpha_{4}\right)\end{array}\right] \\ p\left(\alpha_{1}\right)=p^{2}, p\left(\alpha_{2}\right)=p(1-p)=p\left(\alpha_{3}\right) p\left(\alpha_{4}\right)=(1-p)^{2}[X2p(α)]=[α1(00)p(α1)α2(01)p(α2)α3(10)p(α3)α4(11)p(α4)]p(α1)=p2,p(α2)=p(1p)=p(α3)p(α4)=(1p)2

一个离散无记忆信源的 N\mathbf{N}N 次扩展信源描述如下:

X\mathbf{X}X 为离散无记忆信源, 则 X\mathbf{X}XN\mathbf{N}N 次扩展信源记为XN,XN=[X1X2…XN]\mathbf{X}^{N} , \mathbf{X}^{N}=\left[X_{1} X_{2} \ldots X_{N}\right]XN,XN=[X1X2XN] , 其模型为

(XNP)=(a1⋯aMp(a1)⋯p(aM))\left(\begin{array}{c} \mathbf{X}^{N} \\ P \end{array}\right)=\left(\begin{array}{ccc} a_{1} & \cdots & a_{M} \\ p\left(a_{1}\right) & \cdots & p\left(a_{M}\right) \end{array}\right) (XNP)=(a1p(a1)aMp(aM))
每个 XiX_{i}Xi 取自同一个字母表 A={a1,a2,…,aN}A=\{a_{1}, a_{2}, \ldots, a_{N}\}A={a1,a2,,aN} , 且 XiX_{i}XiX\mathbf{X}X 同分布,因此, XN\mathbf{X}^{\mathrm{N}}XN 的符号集为 AN={a1,…,aN},ajA^{N}=\{\boldsymbol{a}_{1}, \ldots, \boldsymbol{a}^{N}\}, \boldsymbol{a}_{j}AN={a1,,aN},aj 为多维信源中的一个矢量, 即 aj∈ANa_{j} \in A^{N}ajAN , 矢量的个数为nNn^{N}nN,aj=(aj1aj2,…,,ajN)\boldsymbol{a}_{\boldsymbol{j}}=\left(a_{j_{1}} a_{j_{2}, \ldots,}, a_{j N}\right)aj=(aj1aj2,,,ajN),ajka_{j k}ajk 为 $\boldsymbol{a}_{j} $的第 k\mathbf{k}k 个分量, 且 p(aj)=∏k=1Npjkp\left(\boldsymbol{a}_{j}\right)=\prod_{k=1}^{N} p_{j k}p(aj)=k=1Npjk ,pjkp_{j k}pjk 为第 j\mathrm{j}j 个矢量第 k\mathrm{k}k 个分量取符号 ajk\boldsymbol{a}_{\mathrm{jk}}ajk 的概率。

参考文献:

  1. Proakis, John G., et al. Communication systems engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  2. Proakis, John G., et al. SOLUTIONS MANUAL Communication Systems Engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  3. 周炯槃. 通信原理(第3版)[M]. 北京:北京邮电大学出版社, 2008.
  4. 樊昌信, 曹丽娜. 通信原理(第7版) [M]. 北京:国防工业出版社, 2012.

相关文章:

信源分类及数学模型

本专栏包含信息论与编码的核心知识,按知识点组织,可作为教学或学习的参考。markdown版本已归档至【Github仓库:information-theory】,需要的朋友们自取。或者公众号【AIShareLab】回复 信息论 也可获取。 文章目录信源分类按照信源…...

Games101-202作业1

一. 将模型从模型空间变换到世界空间下 在这个作业下,我们主要进行旋转的变换。 二.视图变换 ,将相机移动到坐标原点,同时保证物体和相机进行同样的变换(这样对形成的图像没有影响) 在这个作业下我们主要进行摄像机的平移变换&am…...

Linux系统之终端管理命令的基本使用

Linux系统之终端管理命令的基本使用一、检查本地系统环境1.检查系统版本2.检查系统内核版本二、终端介绍1.终端简介2.Linux终端简介3.终端的发展三、终端的相关术语1.终端模拟器2.tty终端3.pts终端4.pty终端5.控制台终端四、终端管理命令ps1.直接使用ps命令2.列出登录详细信息五…...

【Mongoose笔记】MQTT 服务器

【Mongoose笔记】MQTT 服务器 简介 Mongoose 笔记系列用于记录学习 Mongoose 的一些内容。 Mongoose 是一个 C/C 的网络库。它为 TCP、UDP、HTTP、WebSocket、MQTT 实现了事件驱动的、非阻塞的 API。 项目地址: https://github.com/cesanta/mongoose学习 下面…...

数据结构概述

逻辑结构 顺序存储 随机访问是可以通过下标取到任意一个元素,即数组的起始位置下标 链式存储 链式存储是不连续的,比如A只保留了当前的指针,那么怎么访问到B和C呢 每个元素不仅存储自己的值还使用额外的空间存储指针指向下一个元素的地址&a…...

【前端】Vue3+Vant4项目:旅游App-项目总结与预览(已开源)

文章目录项目预览首页Home日历:日期选择开始搜索位置选择上搜索框热门精选-房屋详情1热门精选-房屋详情2其他页面项目笔记项目代码项目数据项目预览 启动项目: npm run dev在浏览器中F12: 首页Home 热门精选滑动到底部后会自动加载新数据&a…...

51单片机蜂鸣器的使用

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、有源蜂鸣器和无源蜂鸣器的区别二、代码编写总结前言 本文旨在介绍如何使用51单片机驱动蜂鸣器。 一、有源蜂鸣器和无源蜂鸣器的区别 有源蜂鸣器是一种电子…...

算法练习-链表(二)

算法练习-链表(二) 文章目录算法练习-链表(二)1. 奇偶链表1.1 题目1.2 题解2. K 个一组翻转链表2.1 题目2.2 题解3. 剑指 Offer 22. 链表中倒数第k个节点3.1 题目3.2 题解3.2.1 解法13.2.2 解法24. 删除链表的倒数第 N 个结点4.1 …...

LabVIEW使用实时跟踪查看器调试多核应用程序

LabVIEW使用实时跟踪查看器调试多核应用程序随着多核CPU的推出,开发人员现在可以在LabVIEW的帮助下充分利用这项新技术的功能。并行编程在为多核CPU开发应用程序时提出了新的挑战,例如同步多个线程对共享内存的并发访问以及处理器关联。LabVIEW可自动处理…...

【go语言grpc之client端源码分析二】

go语言grpc之server端源码分析二DialContextparseTargetAndFindResolvergetResolvernewCCResolverWrapperccResolverWrapper.UpdateStatecc.maybeApplyDefaultServiceConfigccBalancerWrapper.updateClientConnState上一篇文章分析了ClientConn的主要结构体成员,然后…...

centos7安装RabbitMQ

1、查看本机基本信息 查看Linux发行版本 uname -a # Linux VM-0-8-centos 3.10.0-1160.11.1.el7.x86_64 #1 SMP Fri Dec 18 16:34:56 UTC 2020 x86_64 x86_64 x86_64 GNU/Linux cat /etc/redhat-release # CentOS Linux release 7.9.2009 (Core)2、创建创建工作目录 mkdir /…...

node基于springboot 口腔卫生防护口腔牙科诊所管理系统

目录 1 绪论 1 1.1课题背景 1 1.2课题研究现状 1 1.3初步设计方法与实施方案 2 1.4本文研究内容 2 2 系统开发环境 4 2.1 JAVA简介 4 2.2MyEclipse环境配置 4 2.3 B/S结构简介 4 2.4MySQL数据库 5 2.5 SPRINGBOOT框架 5 3 系统分析 6 3.1系统可行性分析 6 3.1.1经济可行性 6 3.…...

Linux常用命令之find命令详解

简介 find命令主要用于:用来在指定目录下查找文件。任何位于参数之前的字符串都将被视为欲查找的目录名。 如果使用该命令时,不设置任何参数,则find命令将在当前目录下查找子目录与文件。并且将查找到的子目录和文件全部进行显示。 是我们在…...

CMake 入门学习4 软件包管理

CMake 入门学习4 软件包管理一、Linux下的软件包管理1. 检索已安装的软件包2. 让自己编译软件支持pkg-config搜索3. 在CMakeLists查找已安装的软件包二、适合Windows下的包管理工具1. vcpkg2. Conan(1) 安装Conan(2) 配置Conan(3) 创建工程(4) 安装依赖库(5) 使用依赖库三、CMa…...

【数据库数据乱码错误】存进去的数据乱码(???)

目录 1.当我新增一条数据的时候,成功后查看数据库中的数据时,竟然变成???乱码格式了: 2.那么问题有3处需要注意: 第一:settings配置 第二:POM文件 第三:…...

rewrite中的if、break、last

目录 rewrite 作用: 依赖: 打开重定向日志: if 判断: location {} 本身有反复匹配执行特征 在 location 中加入 break 和 last (不一样) 加了break后,立刻停止向下 且 跳出。 加了last&#xf…...

JavaSE-线程池(5)- 建议使用的方式

JavaSE-线程池(5)- 建议使用的方式 虽然JDK Executors 工具类提供了默认的创建线程池的方法,但一般建议自定义线程池参数,下面是阿里巴巴开发手册给出的理由: 另外Spring也提供了线程池的实现,比如 Thread…...

城市轨道交通供电系统研究(Matlab代码实现)

👨‍🎓个人主页:研学社的博客💥💥💞💞欢迎来到本博客❤️❤️💥💥🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密…...

什么是 RESTful 风格?

一、什么是 REST ? REST即表述性状态传递(英文:Representational State Transfer,简称REST)是Roy Thomas Fielding博士在2000年他的博士论文中提出来的一种软件架构风格。它是一种针对网络应用的设计和开发方式&#…...

从业6年,对敏捷和自动化测试的一点心得

不久前,参加Thoughtworks组织的一场自动化测试的分享,同事由于出差国外不能参加,特意嘱托我提问两个问题: 在互联网这个将“敏捷”与“持续集成”进行积极实践的环境里,“敏捷测试”与“自动化测试”成了一个大家经常…...

ThreeJS 之界面控制

文章目录参考描述界面自适应问题resize 事件修改画布大小修改视锥体的宽高比全屏显示dblclick 事件检测全屏显示状态进入全屏显示状态退出全屏显示状态尾声参考 项目描述ThreeJS官方文档哔哩哔哩老陈打码搜索引擎BingMDN 文档document.mozFullScreenElementMDN 文档Element.re…...

【查找算法】解析学习四大常用的计算机查找算法 | C++

第二十二章 四大查找算法 目录 第二十二章 四大查找算法 ●前言 ●查找算法 ●一、顺序查找法 1.什么是顺序查找法? 2.案例实现 ●二、二分查找法 1.什么是二分查找法? 2.案例实现 ●三、插值查找法 1.什么是插值查找法? 2…...

Android实例仿真之一

目录 零 开局三问 第一问:为什么要有这一章? 第二问:Android算不算是一个嵌入式系统? 第三问:用什么方法来分析Android这个大系统? 一 讨论Android的流行 二 深入浅出Android 零 开局三问 在正式开始…...

软考高级-信息系统管理师之重要工具和技术的口语化表示(最新版)

重要工具和技术的口语化表示 本文主要介绍重要工具和技术的口语化解释 1、 模板、表格和标准:就是用之前的项目的模版、表格、标准,结合本项目进行了修改,在编制一些计划、方案的时候就可以采用这个工具和技术。可以拿来就用的,节约时间、提高质量的。 2、 产品分析:通过一…...

基于springboot+vue的个人健康信息服务平台

基于springbootvue的个人健康信息服务平台 ✌全网粉丝20W,csdn特邀作者、博客专家、CSDN新星计划导师、java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌ 🍅文末获取项目下载方式🍅 一、项目背…...

SpringBoot2.x实战专题——SpringBoot2 多配置文件【开发环境、测试环境、生产环境】

SpringBoot2.x实战专题——SpringBoot2 多配置文件【开发环境、测试环境、生产环境】 目录SpringBoot2.x实战专题——SpringBoot2 多配置文件【开发环境、测试环境、生产环境】一、创建一个SpringBoot项目二、修改pom.xml中SpringBoot的版本三、配置文件3.1 application-dev.ym…...

测试2:编写测试用例的方法

2.编写测试用例的方法 7种 测试常用的方法:code review 代码静态分析、CI/CD CI–持续集成–开发成员经常集成它们的工作,尽快发现集成错误 CD–持续部署–将集成后的代码部署到更贴近真实运行的环境 2.1 测试用例的描述: 用例编号 用例…...

docker安装配置镜像加速器-拉取创建Mysql容器示例

List item docker 常见命令大全docker安装docker拉取创建Mysql容器docker 安装 1、安装链接:https://blog.csdn.net/BThinker/article/details/123358697 ; 2、安装完成需要配置docker镜像加速器 3、docker 镜像加速器推荐使用阿里云的: 编…...

WSL1和WSL2相互转换以及安装路径迁移相关问题

目录 1.从WSL 1如何切换到WSL 2? 2.从WSL 2如何切换回WSL 1? 3.WSL1转换为WSL2后,WSL1里面安装的程序和库需要重装吗? 4.WSL2转换为WSL1后,WSL2里面安装的程序和库需要重装吗? 5.如何备份WSL2&#xf…...

系统分析*

文章目录系统分析分析的任务结构化方法OO的方法的任务常用的详细调查方法有哪些?系统分析的建模TFD业务流程图DFDDD数据流图用例模型(重点用例图)用例图的内容:用例之间的关系:对象模型(类图)时…...