基于信息熵的传感器多目标信息探测算法
基于多传感器信息融合的目标跟踪技术研究
基于多传感器信息融合的目标跟踪技术研究第一章绪论在现代化战争中，目标跟踪技术是一项非常关键的技术。
目标跟踪技术是指在一定的时间范围内对移动目标进行跟踪、预测和识别的过程。
传统的目标跟踪技术往往只利用单一的传感器数据，例如雷达、红外等。
但是单一传感器的跟踪方法具有易受干扰、难以有效识别目标等缺点。
基于多传感器信息融合的目标跟踪技术不仅可以弥补单一传感器的不足，还可以提高跟踪的准确性和鲁棒性。
因此，本文将对基于多传感器信息融合的目标跟踪技术进行研究。
第二章多传感器信息融合的基础概述2.1 多传感器信息融合的概念多传感器信息融合是指在不同的时间、地点、传感器产生的目标跟踪信息进行集成和处理的技术。
2.2 多传感器信息融合的分类根据数据的来源，多传感器信息融合可以分为同源融合和异源融合。
2.2.1 同源融合同源融合是指从同一传感器上接收到的多个数据之间的信息融合。
例如一台雷达可以接收到目标的距离、速度、角度等多个信息。
2.2.2 异源融合异源融合是指从不同的传感器上接收到的多个数据之间的信息融合。
例如雷达可以提供距离和速度信息，而红外传感器可以提供目标的热辐射信息。
第三章基于多传感器信息融合的目标跟踪技术3.1 多传感器信息融合的传统方法多传感器信息融合的传统方法一般包括传感器加权、卡尔曼滤波、贝叶斯网络等。
3.1.1 传感器加权法传感器加权法是指给不同传感器的数据赋予不同的权值并加权平均以得到最终结果。
3.1.2 卡尔曼滤波法卡尔曼滤波法是在预测和观测数据过程中使用卡尔曼滤波算法，使多个卡尔曼滤波器相互作用，实现信息的融合。
3.1.3 贝叶斯网络法贝叶斯网络法是一种图模型方法，用于描述多个变量之间的关系。
这种方法可以使用概率推理对多传感器信息进行融合。
3.2 基于深度学习的多传感器信息融合方法深度学习是一种能够自动学习特征的机器学习方法，近年来在多传感器信息融合领域中得到了广泛应用。
3.2.1 多传感器数据结合卷积神经网络的目标跟踪方法该方法利用卷积神经网络来提取传感器数据的特征。
基于信息熵的多传感器数据的融合方法
ｏ ｘ ｒｍｅ ｔ ａ ｄ ｐ ｅ ｅ ｈ ｆｅ ｉｅ ｄ ｔ ｒ ｍ ｏ ｉｇ． ｅ ａ ｐｒａ ｈ ｉ ｉ ｅ ａ ｄ ｓａ ｅ， ｔｉ ｓ ｄ ｔ ｍｐ ｏ ｅ ｆｅ ｐｅ ｉ ｎ ， ｎ ｒ ｖ ｎｔｔｅ ｅｆｃｔ ａａ ｆｏ ｌｓｎ Ｔｈ ｐ ｏ ｃ ｓｓｍｐｌ ｎ ｔｂｌ Ｉ ｓｕ ｅ ｏ ｉ ｒ ｖ ｖ ｔｅ ａ ｃ ｒ ｃ ｎｄ ａ ｔ－ｎｔｒｅｅ ｃ ｆｉｔ ｌｇｅ ｎ ｔｕ ｎｔ． ｈ ｃ ｕ ａ ｙ ａ ｎ ｉｉ ｅｆ ｒ ｎ ｅ ｏ ｎ ｅｌ ｎｔｉ ｓｒ ｍｅ ｓ ｉ Ｋｅ ｒ ｙ ｗｏ ｄｓ： ｍｕｌ －ｅ ｓ ｒ ａａ ｆ ｓｏ ｔ ｓ ｎ ｏ ；ｄ ｔ ｕ ｉｎ；ｅ ｔｏ ｙ；ｉ ｅｌｇ ｎ ｎｓｒ ｍ ｅ ｔ ｉ ｎｒ ｐ ｎｔｌｉｅ ｔｉ ｔｕ ｎｓ
Ｗ ＡＮ ｈ ． ｉｇ ＰＡＮ ｎ Ｓ ｕ ｐｎ ， Ｐｅ ｇ
（ ． ｏｌｇ ｆ ｎ ｏ ｍａｉ ｅ ｈ ｏｏ ｙ Ｊａ ｇ ｉ ｎｖ ｒｉ ｆ ｉａ ｃ ｎ ｃ ｎ ｍｉ ， ａ ｃ ａ ｇ３ ０ １ ， ｉ ａ １ Ｃ ｌ ｅｏ ｆ ｒ ｔ ｎ Ｔ ｃ ｎ ｌ ， ｉｎ ｘ Ｕ ｉｅ ｓ ｙｏ ｎ ｎ ｅａ ｄ Ｅ ｏ ｏ ｃ Ｎ ｎ ｈ ｎ ３ ０ ３ Ｃｈｎ ； ｅ Ｉ ｏ ｇ ｔ Ｆ
０ ５ 言 ｌ
献 ［ ，］ ３ ４ 分别提出 了基于 Ｂ ｙｓ 计 、 用椭 圆曲线表示支 ａｅ 估 应 持程度 的数据融合 方法 ； 文献 ［ ］ 出 了运 用信息 熵对多 ５提 传感器数据进行分类的方法。 本文认为 ， 文献 ［－ ］ 出的数据融合方法虽然 较好 ， １４ 提
采用熵函数法的多传感器空间配准算法的研究
采用熵函数法的多传感器空间配准算法的研究郭军军;元向辉;韩崇昭【摘要】针对传感器空间配准问题,提出了一种基于滑窗法的极小化极大熵函数的传感器空间配准算法.该算法使用熵函数作为优化准则,根据传感器的量测模型推导出关于传感器系统偏差的目标函数,然后借助极大熵函数的思想,将目标函数的绝对值转化为对应的极大熵函数,并且使用拟牛顿法求得的极大熵函数的解作为传感器系统偏差的估计值.在单目标跟踪场景和多目标跟踪场景下,与传统传感器空间配准算法在相同的仿真条件下进行对比,仿真结果表明,所提算法能够有效地提高传感器距离量测和角度量测系统偏差的估计精度,从而实现高精度的空间目标跟踪.【期刊名称】《西安交通大学学报》【年(卷),期】2014(048)011【总页数】7页(P128-134)【关键词】熵函数;空间配准;目标跟踪;传感器偏差估计【作者】郭军军;元向辉;韩崇昭【作者单位】西安交通大学智能网络与网络安全教育部重点实验室,710049,西安;西安交通大学智能网络与网络安全教育部重点实验室,710049,西安;西安交通大学智能网络与网络安全教育部重点实验室,710049,西安【正文语种】中文【中图分类】O121.8;G558近年来,随着信息技术的发展,多传感器目标跟踪[1]作为一种非常有效的跟踪方法,在目标跟踪领域得到了广泛的应用。
所谓多传感器目标跟踪[2-3],就是多个传感器分别对空间中的目标进行单独量测,然后借助融合的思想,将来自不同传感器的量测数据进行有效地结合,使之达到更加理想的跟踪效果。
然而,在多传感器目标跟踪中,由于受实际应用环境的影响,传感器自身往往存在着系统偏差。
一般而言,传感器偏差主要来源于传感器自身误差、平台的位置误差和姿态误差、一个传感器到另一个传感器的转换误差等。
这些偏差不同于传感器量测的随机误差,是一种固定的偏差。
对于多传感器目标跟踪系统来说,本来是同一个目标,却由于相互偏差较大可能被认为是不同的目标,这被称为“鬼影”,如图1所示。
一种基于信息熵的传感器数据异常检测方法
一种基于信息熵的传感器数据异常检测方法田黎明;张冬梅【摘要】传感器数据采集作为系统感知信息和获取数据的重要手段,其数据的真实性和可靠性至关重要,数据异常检测能提升数据的质量,挖掘出数据的潜在信息.基于分类、聚类等的检测方法依赖于数据的空间相关性,且复杂度很高,不适用于智能家居等小型物联网环境.基于数据距离的检测方法适用于此场景,但是存在误报率高的问题.针对这些问题,本文将传感器滑动窗口内的数据值作为离散随机变量,定义了数据流的信息熵,在此基础上提出了一种通过计算滑动窗口内信息熵进而检测数据异常的方法.模拟实验表明,本文提出的方法能高效地检测异常,并且有更高的检测率及更低的误报率,符合预期结果.【期刊名称】《软件》【年(卷),期】2018(039)009【总页数】5页(P69-73)【关键词】信息熵;滑动窗口;异常概率;异常检测;时间相关性;统计特征【作者】田黎明;张冬梅【作者单位】北京邮电大学网络空间安全学院,北京 100876;北京邮电大学网络空间安全学院,北京 100876【正文语种】中文【中图分类】TP393传感器作为系统感知信息和获取数据的重要设备，在生态环境监测、工农业生产监控乃至国防军工等领域都有广泛的应用。
由于传感器部署区域不确定且设备资源有限，其易受到外界因素的干扰和破坏，故广泛存在传感器数据的不可靠性问题，如何保障和提高传感器数据的质量是一个亟需解决的问题。
当前针对传感器数据异常检测的研究集中于无线传感器网络（WSN）环境[1]。
在WSN环境下，为了提高系统整体的可用性，大量的无线传感器被分散部署在能量和带宽均受限的地区，这些传感器节点密集组网、相互协作地提供数据服务。
在该环境下可以利用不同传感器节点数据流的时间与空间相关性进行异常检测[2]。
但是将这些检测方法应用于一些智能家居或智能楼宇等小型物联网环境时，由于环境中部署的同类型传感器节点数量少，数据的空间相关性不足，基于空间相关性进行检测不仅增加方法的复杂度，而且检测效果也不理想。
多传感器信号检测与分析算法研究
多传感器信号检测与分析算法研究随着科技的不断进步与创新，传感器技术在各个领域的应用越来越广泛。
传感器可以采集丰富的信号数据，如光、声音、压力、温度等，并通过传输与处理这些数据，实现对不同物理过程和环境的监测与分析。
然而，单一传感器的信号可能受到噪声、干扰和其他因素的影响，因此，多传感器信号检测与分析算法的研究显得尤为重要。
本文将对多传感器信号检测与分析算法的研究进行探讨。
多传感器信号检测算法是一种通过多个传感器合作检测和判决信号的方法。
在传统的检测算法中，单一传感器面临信噪比低、干扰大的问题，导致检测效果不佳。
而多传感器系统则可以利用不同传感器之间的互补性，利用大量的信息进行综合分析，提高检测的准确性和可靠性。
多传感器信号检测算法可以分为两大类：一类是基于统计检测理论的算法，另一类是基于机器学习的算法。
基于统计检测理论的算法主要利用概率统计模型与参数估计方法。
其中，最著名的是基于贝叶斯决策理论的信号检测算法，它能够准确地估计观测到的信号概率，并基于先验知识和后验分布对信号进行检测和判决。
另外，最小平均误差传感器融合算法也是一种常用的多传感器检测算法，它通过合理地融合多个传感器的输出数据，能够有效地提高检测的性能。
基于机器学习的多传感器信号检测算法则采用大量的数据进行训练和学习，通过建立模型来对信号进行分类和检测。
其中，深度学习在多传感器信号检测与分析领域表现出了强大的能力。
深度学习模型可以从原始数据中自动学习到高层次的抽象特征，进而对信号进行分类和判决。
此外，卷积神经网络（CNN）和循环神经网络（RNN）也是常用的多传感器信号检测算法，它们分别适用于处理空域和时间序列数据。
除了传感器信号检测，多传感器信号分析算法也是非常重要的一部分。
传感器数据的分析可以帮助我们深入理解各类物理过程和环境，并从中挖掘有用的信息。
多传感器信号分析算法可以通过对多个传感器数据的特征提取、相互关联性分析、时频分析等方法，实现对信号的理解和描述。
基于信息熵的多Agent协同观测轨迹优化方法
基于信息熵的多Agent协同观测轨迹优化方法
夏琪琪;杨惠珍;王越
【期刊名称】《火力与指挥控制》
【年(卷),期】2022(47)8
【摘要】针对固装被动传感器的多个移动智能体对一个运动目标协同观测时探测与轨迹变化耦合的现象,提出了一种基于信息熵的协同观测轨迹滚动时域优化(receding horizon optimization,RHO)方法。
建立了多Agent协同观测系统的状态方程和基于纯方位信息的目标观测方程,构建了基于无色信息滤波(unscented information filter,UIF)的集中式融合估计算法,引入互信息建立了基于信息熵的目标状态估计性能指标函数,基于滚动时域优化方法,提出了最大化信息熵求解智能体角速度控制量的算法。
仿真结果表明,在对运动目标的跟踪过程中,多智能体系统对目标状态估计的误差明显减小,实现了面向最优状态估计的轨迹优化,是一种协调设计多智能体协调观测滤波器和轨迹控制器的手段。
【总页数】6页(P92-97)
【作者】夏琪琪;杨惠珍;王越
【作者单位】西北工业大学航海学院;水下信息与控制重点实验室
【正文语种】中文
【中图分类】P75;TP18
【相关文献】
1.基于轨迹信息熵分布的异常轨迹检测方法
2.基于粒子群算法的观测平台轨迹优化方法研究
3.基于粒子群算法的观测平台轨迹优化方法研究
4.应用信息熵方法对区域地下水观测网的优化研究
5.移动无线传感网中多AGENT的轨迹协同优化方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于庄家法则和信息熵的多目标进化算法
作者简 介 ： 郑智 （９ ６ ） 男 ， 苏盐城 人 ， １８一 ， 江 安徽 理 工大 学计 算机科 学 与工程 学 院硕 士研 究生 ， 究 方向 为智 能优化 计 算 ； 峰 （ ９ ３ ， 安徽 淮 研 许 １ ６ 一） 男，
南人 ， 士 ， 徽理 工大 学计算机 科 学与 工程 学院教授 ， 究方向 为智能优 化计 算 。 硕 安 研
选取前 ， 先对群 体的信 息 熵值 进行 计算 。若熵值 较低 。 即没有 相 对较好 的分 布度 ， 则对群 体进 行遗 传选择 、 叉和 变 交 异操作 ， 生成新 的群体 ， 直到熵 值达 到要 求 ， 再使 用 庄 家法则进 行计 算 。数 值计 算表 明 ， 种新 的算 法既保 持 了庄 家 这 算 法较 高 的收敛速 度 ， 改善 了群 体 的分布度 ， 高 了种 群 的多样性 ， 免 了过 早收 敛 于局 部最优 解 的现 象。 又 提 避
在一定 的 问题 。本 文将信 息熵 的方法 引入庄 家算 法 中 ， 论分 理
Ｏ 引言
进 化 算 法 是 一 类 模 拟 生 物 自然 选 择 和 自然 进 化 的 随 机 搜
析与 数值 实验表 明 ． 合 了信息熵 方法 的庄家 算法相 对 于单纯 结
的 庄 家 算 法 在 改 善 群 体 的 分 布 性 ， 持 种 群 的 多 样 性 方 面 有 了 保 较大 的提高 。
个体 比较 ， 被该 个体 所支 配 的个 体从 Ｑ 中删 除 ， 果该 个体 将 如
没有 被其 它 任何 一个 个 体所 支 配 ， 则它 是非 支 配 的 ， 将它 并 人
支配 集 ．因而 构造 非 支配集 的效率 将直 接 影 响算法 的运 行 效
率。 庄家 法则是 构造 非支配 集 的常用方法 之一 ， 方法 具有 速 该
多传感器数据融合目标识别算法综述
多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展。
在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上，从概念分类方面，对目前多传感器数据融合目标识别算法进行了全面综述，包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等，说明了各算法特点及对其的进一步改进，列举了目前国内外一些已经发表的重要算法，为下一步多传感器融合目标识别研究提供了一定的理论依据。
引言众所周知，在高科技信息对抗环境下，各种监测设备功能不断增加，检测到的信息复杂多变且日益增多。
另一方面由于各种隐身、干扰和欺骗等反对抗技术的应用，人为干扰的加重，对独立单波段目标识别已提出了严峻的挑战，仅依靠单一传感器难以保证目标识别系统高性能稳定工作，这就使得多传感器数据融合作为一种特殊的数据处理手段在目标识别领域引起了世界各国的重视。
在对目标进行识别时，单个传感器提取的特征往往因其自身的探测特点不能获得对目标的完全描述，不能充分利用与目标有关的信息，影响了特征集的有效性和可靠性，使得目标识别系统的性能不理想，而利用多个传感器提取独立、互补的特征向量，采取综合处理的技术途径，可获得对目标较为完全的描述，从而有利于提高识别的正确概率，降低错误概率。
利用多种类传感器进行目标综合识别具有以下主要优点：(1)拓展了识别系统的时间、空间覆盖范围，提高了识别系统的生存能力；(2)可发挥各传感器的优点，取长补短以提高目标识别率；(3)多传感器抗干扰的性能大大优于单个传感器，能够降低或消除非目标物体的欺骗和干扰；(4)可改善识别系统稳定性，大大提高识别结果的有效性、可靠性。
识别原理多传感器数据融合目标识别原理框图如图1所示。
单个传感器先度量和处理待识别目标的属性，对接收到的目标信息进行采集和预处理，得到表示观测数据的特征向量，然后进行特征提取和选择并将其结果作为识别基础，继而对单个传感器的目标进行分类识别和后续处理，再将多个传感器提供的关于目标身份的信息进行综合处理(即进行数据对准与关联)，产生比系统中任一单传感器更有效、更精确的身份估计和分类判决，最终稳定有效地给出目标的识别结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
不确定 性的减少 。信 息熵 大表示信 源的不确 定程 度较 大。
潜艇声 探测 传感 器每隔一定 时间对环境进行 采样 ， 这将
法 。这类算法很难控制传感器工作模 式（ 探测 、 跟踪 和识别 ）
的转换 ， 并且难 以实 现对一组传感器 同时进行优化分 配。后
汪高武 ： 于信 息 熵的传 感 器 多 目标 信 息探 测 算 法 基
Ｐ ｛ …， ｒｎ ， ｎ ｝
Ｓ
９ ｌ
ｑ ｚ…ｇ ｑ２ ； ｎ
（） ６
ｐｚ］ ［ ＝∑ｐｚ Ｉ）（ （ ｓ ｓ Ｐ ）
因为集合 Ｚ Ｋ的数据是独立 同分布 的， 有 所
（） ８
其 ∑ｎ＝ 。 中 ｎ 定义Ｐｓ ＝ ｎ 固 （ ／， ） 对于 定的Ｐｓ， （ 有： ）
第３ ３卷
第 ７期
四 川 兵 工 学 报
２１ ０ ２年 １
【 信息科学与控Ｓ －程】 Ｕ ｖ
基 于信 息熵 的传 感 器 多 目标 信 息 探 测 算 法
汪 高武
（ 中船重工第七一六研究所 ， 江苏 连云港 ２ ２０ ） ２ ０ ６
摘要 ： 为了利用传感器进行多 目标信息探测 ， 利用信息增量控制传感器 进行 目标环境 的探测 。提 出了用于多 目标探 测的信息增量的计算方法 ， 通过使信息增量获得最 大值决定 探测 的环境单元 序列 。仿 真结果证 明 了所提 方法 的正
确性与实用性 。
关键词 ： 信息熵 ； 目标 信息探测 ； 多 信息增量
中图分类号 ：Ｐ ７ Ｔ ２３ 文献标识码 ： Ａ 文章编号 ：０ ６— ７ ７ ２ １ ）７— ００—０ １０ ０ ０ （０ ２ ０ ０ ９ ３
传感器多 目标信息 探测是 通过对 传感器 系统进 行优 化 分配和工作模式设定 ， 以使系统尽可能 多地 获得环境 中存 在
式等 因素 。为综合考虑多个 因素 ， 实现传感器多 目标 信息探 测 的优化 ， 许多专家提出了信息论 的方法 。本文利用 信息增 量进行传感器多 目标信息探测 ， 出了基于信息增量 的传感 提
其中： ） （ 一 为先 验概 率 ； ） （ 为后验概率 。 为 了说明信息增量在传感器多 目标信 息探测 中的应 用 ， 首先考虑单个探测单元 ， 并假设该探 测单元 内最 多只能存 在
被接受之前信 号传输 过程 中损失 的信息量 。信 息熵 也称信
１ 目标 。 个
用； 表示单 元的真 实状态 ， ＝１表示 单 元 中没有 目标 ， ；
； ２ …， ： ， Ｓ表示单元 中存在 １ 目标类 型。在 先验信息 的基 个 础上， 一个单 元处于状 态 的概率 由先验分布 Ｑ（） 给出。设 Ｐ ｓ是后验概率 ， （） 表示 基于某 些量 测 ， 元处 于状 态 ｓ的估 单 计概率 。当 Ｐ＝Ｑ时 ， 先验分 布得 出了最少 的信息 。由下 面
的 目标 的信息 。传感器 多 目标 信息探 测 的实 质是一 个优 化 问题 。早期的优化对象是运动学中的数据 ， 但是这种优 化算 法仅考虑 了 目标运动 的因素 ， 而没有考 虑传感器探测 和识别
如果 Ｐ代表 了 的概率密度 函数 ， 则连续信 源的信息熵公 式
可 以 表 示 为
…
增强作战系统对环境 的认识 ， 即减少 目标信 号 的不确定 性。 信息论 中， 信息熵是信号不确定性 的度量 。潜艇声 探测传感
器采样前后信息不确定性减少的数量用信息增量描述 。
，＝ Ｈ（ ）一Ｈ（ ） 一 （） ４
来 的优化对象综合考 虑 了动力学 中的数 据和传感 器工作 ）ｘ （ ） ｇ ｄ ｏＰ
（） ３
其 中， 是对数所使 用的底 ， ｂ 如上所 述 ， 通常是 ２ 自然 常数 ｅ 、 或 １ 。信 息熵并不 是负熵 ， ０ 它描述 信源 的不 确定性 ， 不是 而
等 因素 。例如 ， 利用 卡尔 曼滤 波估 计 目标 的未 来位 置 ， 过 通
Ｐ｛１ …， ｎ ， １ ｝～ｅ “ ７ ， 一 “ 其中 ０ ｎ 函数 随 ｎ （） 次线性增长 。 式（） ４ 的意义 ： 当分布 Ｐ很 小 ， ， 大 ， 且相对 于先 则 扩 并 验信息 ， 后验信息 Ｐ具更 大的信 息量 ， 在探 测／ 分类 问题 中， 后验估计与先验概率相 差很 悬殊 的那些单 元包 含 了大量 的 信息 ， 相反 ， 后验估计 与先验 概率相 近 的那 些单元 包含 了少 （） ７
本体） ， ） ，（ 本身是个随机变 量。如果 Ｐ代表 了 的概率 分
假设对象集 ０是一个无 限集 ， 中每个元素下标取 自于 其
有限集 ＝ …， 。从集合 ０中随机抽取 了 ｎ个对象 。先验 ０， ｓ
概率 Ｑ［］＝ ｓ ｑ 给出了抽取一个 由下 标 ｓ 标识 的对象 的概率 （ Ｑ可 以统一 取 ｑ ＝１ Ｓ 。随机抽 取 ｎ个对 象 ， 象 ｓ ／） 对 出现
器 多 目标信息探测算法 。
１ 信 息熵 和信 息 增 量
１４ ９ ８年 ， 香浓将 热力学 的熵 引入到信 息论 ， 因此 信息熵 （ｎｏ ｔｎｅｔ ｐ ） Ｉｆ ｍａｏ ｎｒ ｙ 又被称 为香浓 熵 （ｈ ｎｏ ｎｒ ｙ 。信 ｒ ｉ ｏ Ｓ ａｎｎｅｔ ｐ ） ｏ 息论 中 ， 熵被用来衡量一个随机变量 出现 的期望值 。它代表
源熵 、 平均 自 信息量 。一个值域 为 ｛
的 熵 日定 义 为
一 ｝ ， 的随机变量
（） １
的概率表示 了完备 的信息 ：
１ ～
（ ：』 ）
口（ ）＝Ｅ［（ ］ ， ）
Ｌ ０
其 他
一
（） ５
其 中： Ｅ代表 了期望 的函数 ；（ 是 的信息量 （ ， ） 又称为信息
布 ， 离散信 源的信 息熵公式 可以表示为 则
日 ） 一 （）ｇ （） （ ： ∑ｐＸｌ Ｘ ，ｏ ｉ ｉ
（ ２ ）
了 １ 次的概率由多项分布描述 ： １ ，
收 稿 日期 ： １ ０ ０ ２ ２— ５— ６ ０ 基 金项 目 ： 国防 ９ ３项 目（ １６ ００ ） ７ ６ ３６ ２ ２ 作者简 介： 汪高武（ ９ ９ ） 男 ， １７ 一 ， 工程 师， 主要 从事计算 机技术及 应用研究 。