admin管理员组文章数量:1596259
MATLAB实现各种熵:香农熵、条件熵、模糊熵、样本熵等
- 0 引言
- 1 香农熵Shannon Entropy
-
- 1.1 基本原理
- 1.2 信息熵的3个性质
- 1.3 MATLAB代码实现
- 2 两随机变量系统中熵的相关概念
-
- 2.1 互信息Mutual Information
-
- 2.1.1 基本原理
- 2.1.2 MATLAB代码实现
- 2.2 联合熵Joint Entropy
- 2.3 条件熵Conditional Entropy
-
- 2.3.1 基本原理
- 2.3.2 MATLAB代码实现
- 2.4 互信息、联合熵、条件熵之间的关系
- 2.5 纠正条件熵Corrected Conditional Entropy
-
- 2.5.1 基本原理
- 2.5.2 MATLAB代码实现
- 3 两分布系统中熵的相关概念
-
- 3.1 交叉熵Cross entropy
- 3.2 相对熵Relative Entropy
- 3.3 相对熵与交叉熵的关系
- 4 时间序列分析相关熵
-
- 4.1 模糊熵Fuzzy Entropy
-
- 4.1.1 基本原理
- 4.1.2 MATLAB代码实现
- 4.2 样本熵Sample Entropy
-
- 4.2.1 基本原理
- 4.2.2 MATLAB代码实现
- 4.3 近似熵Approximate Entropy
-
- 4.3.1 基本原理
- 4.3.2 MATLAB代码实现
- 4.4 排列熵Permutation Entropy
-
- 4.4.1 基本原理
- 4.4.2 MATLAB代码实现
- 4.5 模糊熵、样本熵、近似熵与排列熵的关系
- 5 参考
0 引言
信息熵(entropy)的原始定义是离散(discrete)的,后来发展了在连续域上的微分熵(differential entropy)。然而,通常在给定的数据集上,无法知道连续变量的概率分布,其概率密度函数也就无法获得,不能够用微分熵的计算公式。那要如何计算呢?
- 一种常见的方式是直方图法,它将连续变量的取值离散化,通过变量范围内划分bins,将不同的变量取值放入一个个bins中,然后统计其频率,继而使用离散信息熵的计算公式进行计算。然而,每个bin应该取多大的范围是很难确定的,通常需要反复计算获得最优的解。
- 一种无参熵估计法(non-parametric entropy estimation) 可以避免划分bins来计算熵值,包括了核密度估计(kernel density estimator, KDE)和k-近邻估计(k-NN estimator)。
- 相比之下,直方图法不够精确,而核密度估计法运算量太大,k-近邻估计成为了普遍使用的一种计算连续随机变量的熵值方式。
版权声明:本文标题:MATLAB实现各种熵:香农熵、条件熵、模糊熵、样本熵等 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/xitong/1728257460a1151184.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论