Μια ουσιαστική και αλφαβητική προσέγγιση για τη μέτρηση των πληροφοριών

Η ανάπτυξη της τεχνολογίας των ηλεκτρονικών υπολογιστών στη νέα εποχή της πληροφόρησης εγείρει πολλές πρόσθετες ερωτήσεις, ανοίγει νέες ευκαιρίες και γνώσεις. Αλλά με αυτό, υπάρχουν πολλά διλήμματα που πρέπει να επιλυθούν. Έτσι, για παράδειγμα, όταν μελετάτε υλικό υπολογιστή, είναι σημαντικό να κατανοήσετε πώς επεξεργάζεται, θυμάται και μεταφέρει αρχεία, τι είναι η κωδικοποίηση δεδομένων και σε ποια μορφή μετράται η πληροφορία. Αλλά το κύριο θέμα της συζήτησης είναι το ερώτημα ποιες είναι οι κύριες προσεγγίσεις για τη μέτρηση των πληροφοριών. Παραδείγματα και επεξηγήσεις για κάθε πτυχή θα περιγραφούν λεπτομερώς σε αυτό το άρθρο.

Πληροφορίες στην Πληροφορική

Για να αρχίσουμε να καταλαβαίνουμε τις προσεγγίσεις πληροφόρησης για την αποθήκευση δεδομένων, πρέπει πρώτα να μάθουμε τι αντιπροσωπεύει η σφαίρα πληροφοριών στον τομέα του υπολογιστή και τι δείχνει. Μετά από όλα, αν αναλάβουμε την επιστήμη των υπολογιστών ως επιστήμη, τότε το κύριο αντικείμενο της μελέτης είναι η πληροφόρηση. Η ίδια η λέξη λατινικής προέλευσης και στη μετάφραση στη γλώσσα μας σημαίνει "γνωριμία", "εξήγηση", "μείωση". Κάθε επιστήμη χρησιμοποιεί διαφορετικούς ορισμούς αυτής της έννοιας. Στο πεδίο του υπολογιστή, όλες αυτές οι πληροφορίες σχετικά με τα διάφορα φαινόμενα και αντικείμενα που μας περιβάλλουν, μειώνουν το μέτρο της αβεβαιότητας και το βαθμό της άγνοιας τους. Όμως, προκειμένου να αποθηκευτούν όλα τα αρχεία, τα δεδομένα, τα σύμβολα σε έναν ηλεκτρονικό υπολογιστή, είναι απαραίτητο να γνωρίζουμε τον αλγόριθμο για τη μετάφρασή τους σε μια δυαδική μορφή και τις υπάρχουσες μονάδες για τη μέτρηση της ποσότητας των δεδομένων. Μια αλφαβητική προσέγγιση για τη μέτρηση πληροφοριών δείχνει με ποιο τρόπο ακριβώς μια μηχανή υπολογιστή μετατρέπει τα σύμβολα σε ένα δυαδικό κώδικα των μηδενικών και αυτών.

Κωδικοποίηση πληροφοριών από ηλεκτρονικό υπολογιστή

Η τεχνολογία των υπολογιστών είναι σε θέση να αναγνωρίζει, να επεξεργάζεται, να αποθηκεύει και να μεταδίδει μόνο δεδομένα πληροφοριών σε δυαδικό κώδικα. Αλλά αν πρόκειται για ηχογράφηση, κείμενο, βίντεο, γραφική εικόνα, πώς μπορεί μια μηχανή να μετατρέπει διαφορετικούς τύπους δεδομένων σε δυαδικό τύπο; Και πώς αποθηκεύονται στη μνήμη σε αυτή τη μορφή; Αυτές οι ερωτήσεις μπορούν να απαντηθούν αν γνωρίζετε την αλφαβητική προσέγγιση για τον προσδιορισμό του όγκου των πληροφοριών, της πτυχής του περιεχομένου και της τεχνικής ουσίας της κωδικοποίησης.

Η κωδικοποίηση των πληροφοριών είναι για την κρυπτογράφηση των χαρακτήρων σε ένα δυαδικό κώδικα που αποτελείται από τα σημάδια "0" και "1". Είναι τεχνικά απλό να οργανωθεί. Το σήμα είναι, αν υπάρχει, το μηδέν δείχνει το αντίθετο. Μερικοί αναρωτιούνται γιατί ο υπολογιστής δεν μπορεί, όπως ο ανθρώπινος εγκέφαλος, να κρατήσει σύνθετους αριθμούς, επειδή είναι μικρότεροι σε μέγεθος. Αλλά ο ηλεκτρονικός υπολογιστής είναι πιο εύκολο να λειτουργήσει με έναν τεράστιο δυαδικό κώδικα, αντί να αποθηκεύει περίπλοκες αριθμούς στη μνήμη σας.

Συστήματα υπολογιστικών υπολογιστών

Χρησιμοποιήσαμε για να μετρήσουμε από 1 έως 10, να προσθέσουμε, να αφαιρέσουμε, να πολλαπλασιάσουμε και να κάνουμε διάφορες λειτουργίες σε αριθμούς. Ο υπολογιστής μπορεί να λειτουργεί μόνο με δύο αριθμούς. Αλλά το κάνει σε κλάσματα των χιλιοστών του δευτερολέπτου. Πώς κωδικοποιεί και αποκωδικοποιεί τον υπολογιστή; Αυτός είναι ένας αρκετά απλός αλγόριθμος, ο οποίος μπορεί να θεωρηθεί ως παράδειγμα. Μια αλφαβητική προσέγγιση για τη μέτρηση των πληροφοριών, μονάδων μέτρησης δεδομένων, θα εξετάσουμε λίγο αργότερα, αφού καταστεί σαφής η ουσία της κωδικοποίησης και αποκωδικοποίησης των δεδομένων.

Υπάρχουν πολλά προγράμματα υπολογιστών που μεταφράζουν οπτικά τα συστήματα του λογισμού ή της συμβολοσειράς κειμένου σε δυαδικό κώδικα και αντίστροφα.

Θα πραγματοποιήσουμε τους υπολογισμούς χειροκίνητα. Η κωδικοποίηση των πληροφοριών γίνεται από τη συνήθη διαίρεση με 2. Επομένως, ας υποθέσουμε ότι έχουμε δεκαδικό αριθμό 217. Πρέπει να το μετατρέψουμε σε δυαδικό κώδικα. Για να το κάνετε αυτό, διαιρέστε το με τον αριθμό 2 μέχρι το υπόλοιπο να είναι μηδέν ή ένα.

• 217/2 = 108 με το υπόλοιπο 1. Ξεχωριστά, γράφουμε τα απομεινάρια, και θα δημιουργήσουν την τελική μας απάντηση.
• 108/2 = 54. Εδώ το υπόλοιπο είναι ο αριθμός 0, δεδομένου ότι το 108 είναι εντελώς χωρισμένο. Μην ξεχάσετε να επισημάνετε τον εαυτό σας με τα υπόλοιπα. Σε τελευταία ανάλυση, αν χάσετε τουλάχιστον έναν αριθμό, ο αρχικός αριθμός θα είναι διαφορετικός.
• 54/2 = 27, το υπόλοιπο είναι 0.
• 27/2 = 13, γράψτε 1 στο υπόλοιπο. Οι αριθμοί μας από το υπόλοιπο δημιουργούν ένα δυαδικό κώδικα, ο οποίος πρέπει να διαβάζεται με την αντίστροφη σειρά.
• 13/2 = 6. Εδώ η μονάδα είναι στο υπόλοιπο, γράφουμε.
• 6/2 = 3 με υπόλοιπο 0. Στην τελική απάντηση, οι αριθμοί θα πρέπει να είναι περισσότεροι από όλες τις ενέργειες που εκτελέσατε.
• 3/2 = 1 με το υπόλοιπο 1. Καταγράφεται το υπόλοιπο και ο αριθμός 1, ο οποίος είναι ο τελικός διαχωρισμός.

Εάν διαμορφώσετε την απάντηση, ξεκινώντας με τον αριθμό στην πρώτη ενέργεια, το αποτέλεσμα είναι 10011011, αλλά αυτό είναι εσφαλμένο. Ο δυαδικός αριθμός πρέπει να ξαναγραφεί με αντίστροφη σειρά. Εδώ είναι το τελικό αποτέλεσμα της μετάφρασης του αριθμού: 11011001. Μια ουσιαστική και αλφαβητική προσέγγιση στη μέτρηση των πληροφοριών χρησιμοποιεί δεδομένα ακριβώς αυτού του τύπου για αποθήκευση και μετάδοση. Ο δυαδικός κώδικας εγγράφεται στον πίνακα κωδικών και αποθηκεύεται εκεί μέχρι να εμφανιστεί στην οθόνη. Στη συνέχεια, οι πληροφορίες μεταφράζονται στη γνωστή μορφή, αποκαλούμενη αποκωδικοποίηση.

Η εικόνα δείχνει καθαρά τον αλγόριθμο για μετάφραση από δυαδικό σε δεκαδικό. Εκτελείται με μια απλή φόρμουλα. Το πρώτο ψηφίο του κώδικα πολλαπλασιάζεται επί 2 με την ισχύ του 0, προσθέτουμε σε αυτό το επόμενο ψηφίο πολλαπλασιασμένο κατά 2 σε μεγαλύτερο βαθμό και ούτω καθεξής. Ως αποτέλεσμα, όπως φαίνεται από την εικόνα, έχουμε τον ίδιο αριθμό με τον αρχικό όταν κωδικοποιούμε.

Αλφαβητική προσέγγιση για τη μέτρηση πληροφοριών: ουσία, μονάδες

Για να μετρήσετε την ποσότητα δεδομένων σε μια ακολουθία χαρακτήρων κειμένου, πρέπει να χρησιμοποιήσετε την υπάρχουσα προσέγγιση. Το περιεχόμενο του κειμένου δεν είναι σημαντικό εδώ, το κυριότερο είναι η ποσοτική συσχέτιση των σημείων. Λόγω αυτής της πτυχής, υπολογίζεται η τιμή του μηνύματος κειμένου που κωδικοποιείται στον υπολογιστή. Σύμφωνα με αυτή την προσέγγιση, η ποσοτική τιμή του κειμένου είναι ανάλογη προς τον αριθμό των χαρακτήρων που εισάγονται από το πληκτρολόγιο. Λόγω αυτής της μεθόδου μέτρησης του όγκου των πληροφοριών ονομάζεται συχνά ογκομετρική. Τα σύμβολα μπορεί να είναι αρκετά διαφορετικά σε μέγεθος. Είναι σαφές ότι οι αριθμοί 0 και 1 φέρουν 1 bit πληροφοριών και γράμματα, σημεία στίξης, χώρο - άλλο βάρος. Μπορείτε να δείτε τον πίνακα ASCII για να μάθετε τον δυαδικό κώδικα ενός συγκεκριμένου χαρακτήρα. Για να υπολογίσετε τον απαιτούμενο όγκο κειμένου, πρέπει να προσθέσετε το βάρος όλων των πινακίδων - τα συστατικά μέρη ολόκληρου του κειμένου. Αυτή είναι η αλφαβητική προσέγγιση για τον προσδιορισμό του όγκου των πληροφοριών.

Στην επιστήμη των υπολογιστών, υπάρχουν πολλοί όροι που χρησιμοποιούνται όλο και περισσότερο στην καθημερινή ζωή. Έτσι, το αλφάβητο στην επιστήμη των υπολογιστών σημαίνει ένα σύνολο όλων των συμβόλων, συμπεριλαμβανομένων των παρενθέσεων, ενός διαστήματος, των σημείων στίξης, των κυριλλικών συμβόλων, των λατινικών χαρακτήρων, που δεν είναι τίποτα άλλο από ένα κείμενο. Εδώ υπάρχουν δύο ορισμοί, σύμφωνα με τους οποίους θα υπολογιστεί η δεδομένη τιμή.

1. Λόγω του πρώτου ορισμού, είναι δυνατόν να υπολογίσετε την εμφάνιση των χαρακτήρων σε ένα μήνυμα κειμένου, όταν η πιθανότητα εμφάνισής τους είναι τελείως διαφορετική. Έτσι, μπορούμε να πούμε ότι μερικές ρωσικές λέξεις εμφανίζονται πολύ σπάνια, για παράδειγμα, "ъ" ή "ё".

2. Αλλά σε ορισμένες περιπτώσεις είναι πιο σκόπιμο να υπολογίσουμε την ποσότητα που χρειαζόμαστε εισάγοντας την ισοδύναμη εμφάνιση κάθε συμβόλου. Και στη συνέχεια θα χρησιμοποιηθεί ένας άλλος τύπος υπολογισμού.

Αυτή είναι η αλφαβητική προσέγγιση για τη μέτρηση των πληροφοριών.

Ίση πιθανότητα εμφάνισης χαρακτήρων σε ένα αρχείο κειμένου

Για να εξηγήσουμε αυτόν τον ορισμό, είναι απαραίτητο να υποθέσουμε ότι όλες οι ενδείξεις στο κείμενο ή στο μήνυμα εμφανίζονται με την ίδια συχνότητα. Για να υπολογίσετε πόση μνήμη καταλαμβάνουν στον υπολογιστή, είναι απαραίτητο να βυθιστεί στη θεωρία της πιθανότητας και απλά λογικά συμπεράσματα.

Ας υποθέσουμε ότι το κείμενο εμφανίζεται στην οθόνη της οθόνης. Αντιμετωπίζουμε το καθήκον να υπολογίσουμε πόση μνήμη υπολογιστή χρειάζεται. Αφήστε το κείμενο να αποτελείται από 100 χαρακτήρες. Αποδεικνύεται ότι η πιθανότητα εμφάνισης ενός γράμματος, συμβόλου ή σημείου θα είναι ένα εκατοστό του συνολικού όγκου. Αν διαβάσετε ένα βιβλίο σχετικά με τη θεωρία της πιθανότητας, μπορείτε να βρείτε έναν τόσο απλό τύπο που θα καθορίζει με ακρίβεια την αριθμητική αξία της πιθανότητας εμφάνισης ενός σημείου σε οποιαδήποτε θέση του κειμένου.

Πιθανώς, η απόδειξη των τύπων και των θεωρήσεων δεν θα είναι ενδιαφέρουσα για όλους, συνεπώς, λαμβανομένων υπόψη των τύπων γνωστών επιστημόνων, η υπολογισμένη έκφραση προέρχεται:

I = log ₂ (1 / ρ) = log ₂ Ν (bit); 2 ⁱ = Ν,

Όπου i είναι η τιμή που πρέπει να γνωρίζουμε, το p είναι μια αριθμητική τιμή της πιθανότητας ενός σημείου στη θέση κειμένου, το Ν είναι στις περισσότερες περιπτώσεις ίσο με 2, επειδή η μηχανή υπολογιστή κωδικοποιεί τα δεδομένα σε έναν δυαδικό κώδικα που αποτελείται από δύο ποσότητες.

Μια αλφαβητική ογκομετρική προσέγγιση για τη μέτρηση των πληροφοριών υποθέτει ότι το βάρος ενός σημάδι χαρακτήρα είναι ίσο με 1 bit - την ελάχιστη μονάδα μέτρησης. Με τον τύπο, μπορείτε να καθορίσετε τι είναι ίση με byte, kilobyte, megabyte, κλπ.

Διαφορετική πιθανότητα εμφάνισης συμβόλων στο κείμενο

Εάν υποθέσουμε ότι τα σημάδια εμφανίζονται με διαφορετικές συχνότητες (αντίστοιχα, και σε οποιαδήποτε θέση του κειμένου η πιθανότητα εμφάνισής τους είναι διαφορετική), τότε μπορούμε να πούμε ότι το βάρος πληροφοριών τους είναι επίσης διαφορετικό. Είναι απαραίτητο να υπολογιστεί η μέτρηση των πληροφοριών σύμφωνα με έναν άλλο τύπο. Η αλφαβητική προσέγγιση των θεμάτων είναι καθολική, πράγμα που συνεπάγεται τόσο ίση όσο και διαφορετική πιθανότητα της συχνότητας εμφάνισης ενός σημείου στο κείμενο. Δεν θα αγγίξουμε τον πολύπλοκο τύπο για τον υπολογισμό αυτής της ποσότητας, λαμβάνοντας υπόψη την διαφορετική πιθανότητα εμφάνισης του συμβόλου. Είναι απαραίτητο να κατανοήσουμε ότι τέτοια γράμματα όπως «ъ», «х», «ф», «ч», στα ρωσικά λόγια είναι πολύ λιγότερο συνηθισμένα. Επομένως, είναι απαραίτητο να εξεταστεί η συχνότητα εμφάνισης σύμφωνα με μια άλλη φόρμουλα. Μετά από κάποιους υπολογισμούς, οι επιστήμονες κατέληξαν στο συμπέρασμα ότι το βάρος πληροφοριών των σπάνιων συμβόλων είναι πολύ μεγαλύτερο από το βάρος των γραμμάτων που συχνά συναντώνται. Για να υπολογίσετε το ποσό του κειμένου, πρέπει να λάβετε υπόψη το ύψος των επαναλήψεων κάθε χαρακτήρα και το βάρος πληροφοριών, καθώς και το μέγεθος του αλφαβήτου.

Μέτρηση πληροφοριών: οι λεπτότητα της πτυχής του περιεχομένου

Μπορείτε να αγνοήσετε την αλφαβητική προσέγγιση για τη μέτρηση των πληροφοριών. Η Πληροφορική προσφέρει μια ακόμη πτυχή της μέτρησης δεδομένων - σημαντική. Εδώ, λύνεται ένα ελαφρώς διαφορετικό πρόβλημα. Ας υποθέσουμε ότι ένα άτομο που κάθεται σε έναν υπολογιστή λαμβάνει πληροφορίες σχετικά με ένα φαινόμενο ή κάποιο αντικείμενο. Είναι σαφές εκ των προτέρων ότι δεν γνωρίζει τίποτα, οπότε υπάρχει ένας ορισμένος αριθμός πιθανών ή αναμενόμενων επιλογών. Μετά την ανάγνωση του μηνύματος, η αβεβαιότητα εξαφανίζεται αφήνοντας μία επιλογή, η τιμή της οποίας πρέπει να υπολογιστεί. Στρέπουμε στον βοηθητικό τύπο. Η τιμή θα υπολογιστεί στην ελάχιστη μονάδα - δυαδικά ψηφία. Όπως και η αλφαβητική προσέγγιση για τη μέτρηση της ποσότητας πληροφοριών, η σωστή φόρμουλα θα επιλεγεί λαμβάνοντας υπόψη δύο πιθανές καταστάσεις: διαφορετική και ίση πιθανότητα εμφάνισης συμβάντων.

Γεγονότα που αντιμετωπίστηκαν με την ίδια πιθανότητα

Όπως στην περίπτωση που εφαρμόζεται μια αντικειμενική αλφαβητική προσέγγιση στη μέτρηση των πληροφοριών, ο απαιτούμενος τύπος στην ουσιαστική προσέγγιση υπολογίζεται λαμβάνοντας υπόψη την ήδη γνωστή κανονικότητα που συνήγαγε ο επιστήμονας Hartley:

2 ⁱ = Ν,

Όπου i είναι το μέγεθος του γεγονότος που πρέπει να βρούμε και N είναι ο αριθμός των συμβάντων που συναντώνται σε ισοδύναμη συχνότητα. Η τιμή του i θεωρείται στην ελάχιστη μονάδα υπολογισμού - bit. Μπορούμε να εκφράσουμε μέσω του λογαρίθμου.

Παράδειγμα υπολογισμού εκδήλωσης ισοδυναμίας

Ας πούμε ότι έχουμε 64 pel'men σε ένα πιάτο, σε ένα από τα οποία μια έκπληξη είναι κρυμμένη αντί του κρέατος. Είναι απαραίτητο να υπολογίσετε πόση πληροφορία περιέχει το γεγονός όταν ήταν αυτό το pelmen που τραβήχτηκε έξω με μια έκπληξη, δηλαδή για να μετρήσει τις πληροφορίες. Η αλφαβητική προσέγγιση είναι τόσο απλή όσο η αντικειμενική. Σε δύο περιπτώσεις, ο ίδιος τύπος θα χρησιμοποιηθεί για τον υπολογισμό της ποσότητας των πληροφοριακών υλικών. Αντικαθιστάμε τον γνωστό τύπο για την ποσότητα: 2 ⁱ = 64 = 2 ⁶ . Αποτέλεσμα: i = 6 bits.

Μέτρηση των πληροφοριών λαμβάνοντας υπόψη την διαφορετική πιθανότητα εμφάνισης ενός συμβάντος

Ας υποθέσουμε ότι έχουμε ένα γεγονός με την πιθανότητα εμφάνισης p. Θα υποθέσουμε ότι η τιμή i, υπολογιζόμενη σε bits, είναι ένας αριθμός που χαρακτηρίζει το γεγονός ότι συνέβη το συμβάν. Με βάση αυτό, μπορεί να υποστηριχθεί ότι οι τιμές μπορούν να υπολογιστούν από τον υπάρχοντα τύπο: 2 ⁱ = 1 / p.

Διαφορές μεταξύ των αλφαβητικών και πληροφοριακών προσεγγίσεων στη διάσταση της πληροφορίας

Από την προσέγγιση όγκου διαφέρει από το ουσιαστικό; Εξάλλου, οι τύποι για τον υπολογισμό των ποσοτήτων πληροφοριών είναι εντελώς ίδιοι. Η διαφορά είναι ότι η αλφαβητική πτυχή μπορεί να χρησιμοποιηθεί αν εργάζεστε με κείμενα, ενώ το περιεχόμενο που σας επιτρέπει να λύσετε οποιαδήποτε προβλήματα της θεωρίας των πιθανοτήτων, υπολογίστε το ποσό των πληροφοριών ενός γεγονότος λαμβάνοντας υπόψη την πιθανή εμφάνισή του.

Συμπεράσματα

Μια αλφαβητική προσέγγιση για τη μέτρηση των πληροφοριών με τον ίδιο τρόπο όπως μια σημαντική, δίνει την ευκαιρία να ανακαλυφθούν ποιες μονάδες δεδομένων και ποιος τόμος θα καταληφθεί από σημεία κειμένου ή οποιαδήποτε άλλη πληροφορία. Μπορούμε να μεταφράσουμε οποιοδήποτε κείμενο και αριθμητικά αρχεία, μηνύματα σε κώδικα υπολογιστή και πίσω, ενώ γνωρίζουμε πάντα πόση μνήμη θα καταλάβουν σε έναν υπολογιστή.