最大信息熵原理
热力学统计物理中有熵增加原理，在信息论中也有对应的关于信息熵的著名定理――最大信息熵原理。
在很多情况下，对一些随机事件，我们并不了解其概率分布，所掌握的只是与随机事件有关的一个或几个随机变量的平均值。例如，我们只知道一个班的学生考试成绩有三个分数档：80分、90分、100分，且已知平均成绩为90分。显然在这种情况下，三种分数档的概率分布并不是唯一的。因为在下列已知条件限制下
P1*80+P2*90+p3*100=90 （平均成绩）
P1+P2+P3=1 （概率归一化条件）
有无限多组解，该选哪一组解呢？即如何从这些相容的分布中挑选出“最佳的”、“最合理”的分布来呢？这个挑选标准就是最大信息熵原理。
按最大信息熵原理，我们从全部相容的分布中挑选这样的分布，它是在某些约束条件下（通常是给定的某些随机变量的平均值）使信息熵达到极大值的分布。这一原理是由杨乃斯提出的。这是因为信息熵取得极大值时对应的一组概率分布出现的概率占绝对优势。从理论上可以证明这一点。 在我们把熵看作是计量不确定程度的最合适的标尺时，我们就基本已经认可在给定约束下选择不确定程度最大的那种分布作为随机变量的分布。因为这种随机分布是最为随机的，是主观成分最少，把不确定的东西作最大估计的分布。
任何物质系统除了都受到或多或少的外部约束外，其内部总是具有一定的自由度，这种自由度导致系统内的各元素处于不同的状态。而状态的多样性，状态的丰富程度（混乱程度、复杂程度）的定量计量标尺就是熵，熵最大就是事物状态的丰富程度自动达到最大值。换句话说，事物总是在约束下争取（或呈现）最大的自由权，我们把这看作是自然界的根本原则。
在给定的约束条件下，由最大信息熵原理求“最佳”概率分布，就是求解条件极值问题。在某些场合，常用拉格朗日乘子法来确定此分布。
一般地，拉格朗日乘子法的法则可叙述如下：欲求n元函数f（x1，x2，„，xn）在m个约束条件
（6）
下的条件极值，可用常数1，依次乘f，把结果加起来，得函数
然后列出 无约束条件时具有极值的必要条件
（7）
这n个方程（7）与m个方程（6）联立解出n+m个未知数x1，x2，„，xn ， 。而其中x1，x2，„，xn就是可能为极值点的坐标，称为驻点。
从信息论中发展起来的最大信息熵原理，使人们开始把统计物理看成是信息论的特例。这使我们看到熵概念的强大生命力，也看到了熵概念和熵原理的重大意义。
二维最大熵
二维最大熵
二维最大熵是一种基于最大熵原理的图像分割方法，它利用了图像的灰度信息和邻域的空间相关信息，通过构造
二维直方图来选择最佳的分割阈值。二维最大熵不仅反映了灰度分布信息，还反映了邻域平均灰度信息，因此在
图像信噪比较低时，二维最大熵法明显优于一维最大熵法。
最大熵原理
最大熵原理是统计学习的一般原理，它指出，当我们需要对一个随机事件的概率分布进行预测时，我们的预测应
当满足全部已知的条件，而对未知的情况不要做任何主观假设。换句话说，我们应该选择使得信息熵最大的概率
分布作为最优的预测模型。信息熵是一种衡量随机变量不确定性的度量，它定义为：
H(X)=−∑
xP(x)logP(x)
其中X是一个离散随机变量，P(x)是X取值为x的概率。信息熵越大，表示X的不确定性越大。按照最大熵原
理，我们应该选择使得H(X)最大的概率分布P(x)作为最优模型。当然，在选择模型时，还要满足一些已知的约
束条件，例如期望值、方差等。这样，我们就可以将最大熵模型转化为一个约束优化问题，利用拉格朗日乘子法
或者其他优化算法求解。
二维直方图
二维直方图是一种描述图像中两个相关变量之间分布关系的直方图。在二维最大熵方法中，我们通常使用点灰度
和区域灰度均值作为两个相关变量。点灰度指的是图像中每个像素的灰度值，区域灰度均值指的是每个像素邻域
内（例如3×3或5×5）所有像素灰度值的平均值。这样，每个像素都对应一个点灰度-区域灰度均值对
(f(x,y),g(x,y))，其中f(x,y)是点灰度，g(x,y)是区域灰度均值。如果图像有L个灰度级（例如L=256），那么
这样的数据对有L×L种可能的取值。设nij为图像中点灰度为i及其区域灰度均值为j的像素点数，pij为点灰度-区
域灰度均值对(i,j)发生的概率，则
pij=nijN×N
其中N×N是图像的总像素数。则{pij,i,j=0,1,…,L−1}就是该图像关于点灰度-区域灰度均值的二维直方
图。
二维直方图的起始点在左上方，灰度值从左至右增加，邻域平均灰度值自上而下增加。二维直方图上共有L2个
信息熵及其性质和应用
信息熵及其性质和应用
信息熵是信息论中最重要的概念之一，它被广泛应用于通信、隐私保护、压缩、分类和数据挖掘等领域。信息熵是一个度量随机事件不确定性的量，它可以看做是事件发生概率的负对数，越不确定的事件其信息熵越大。
信息熵与概率密切相关。对于一个样本空间Ω，若每个事件A的概率为p(A)，则该样本空间的信息熵H(Ω)为：
H(Ω) = - ∑p(A)logp(A)
其中logp(A)是以2为底的对数，这是信息论中常用的底数。Log函数是一个单调递增函数，因此H(Ω)随p(A)的变化而变化。当p(A)=1时，H(Ω)为0，表示该事件完全确定，不需要任何信息来描述；当p(A)接近0时，H(Ω)趋近于无穷大，表示该事件非常不确定，需要大量的信息来描述。因此，信息熵是一个有效的度量随机事件的不确定性的量。
信息熵有几个重要的性质。首先，它是非负的。这是因为p(A)是一个概率，它的取值范围是0到1，因此logp(A)的取值范围是负无穷到0，-p(A)logp(A)必须是非负的。其次，当且仅当p(A)相等时，信息熵的值最大。这是因为对于任意一组概率{p1, p2, ..., pn}，它们的信息熵最大当且仅当这组概率相等。第三，对于两个不同的事件A和B，它们的信息熵只有在它们不相关的情况下才能相加，即：
H(A, B) = H(A) + H(B) (当A和B不相关时)
这个性质被称为独立性原理，它用于说明当两个随机事件相互独立时，它们的信息熵是可以相加的。
信息熵具有广泛的应用。通过计算信息熵，我们可以判断一个密码的安全性、评估一个数据压缩算法的效果、确定一个分类任务的复杂度、估算一个随机过程的性质等。在通信中，我们可以利用信息熵来设计码字，最大程度地利用信道的带宽和容量，使得信息传输更加高效。在隐私保护中，我们可以利用信息熵来衡量隐私的泄露程度，评估隐私保护算法的性能。在机器学习中，我们可以利用信息熵来选择特征、评估模型及度量分类器的性能等。
最大熵原理及其应用
龙源期刊网
最大熵原理及其应用
作者：李建东 王永茂 胡林敏
来源：《硅谷》2009年第04期
[摘要]从熵的概念出发，简要介绍熵这一重要概念的发生、发展历史，论述熵极大原理，对离散、连续及无约束、约束不同条件最大熵原理的应用给出理论基础。通过在具体例子当中应用最大熵原理，展示原理的适用场合及使用方法。
[关键词]熵 最大熵原理 优化 Lagrange乘数法 泛函极值
中图分类号：O4-0文献标识码：A文章编号：1671－7597（2009）0220042－02
熵这一概念已经产生一个多世纪了，1865年Clausius引入并用以定量的阐明热力学第二定律[1]，1877年玻尔兹曼关系式赋予熵的统计意义。1929年西拉德发现了熵与信息的关系，1948年，C.E.Shannon提出了信息熵的概念[2]。1958年,Kolmogorov 发展了熵的概念，将其引入到非线性动力学当中[3]。熵的概念在物理、化学、生物、信息科学等自然科学以及工程技术的许多领域都有着广泛的应用。但熵的概念比较抽象，利用它来解决问题时应遵循一定的方式方法。
一、熵及最大熵原理
（一）熵的概念
到了上世纪50年代末，为解决遍历理论(ergodic theory)经典问题出现了Kolmogorov熵。上世纪60年代中期，为研究拓扑动力系统(topological dynamical system)又产生了拓扑熵(topological entropy)
等概念，都是关于不确定性的数学度量。
（二）最大熵原理
热力学中当中熵是一个重要的概念。对于孤立系统，熵只增不减，熵的极大值可以确立系统的稳态。与此相应，信息理论中也有类似的结论。E.T.Jaynes提出：“在根据部分信息进行推龙源期刊网
基于最大信息熵原理的显微细胞图像多阈值分割算法
第ｌ８期总第２２０期 ２０１０年９月 内蒙古科技与经济
Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ＆Ｅｃｏｎｏｍｙ Ｎｏ．１８，ｔｈｅ ２２０ｔｈ ｉｓｓｔｌｅ
Ｓｅｐ．２０１０
基于最大信息熵原理的显微细胞图像多阈值分割算法
王任挥
（内蒙古机电职业技术学院，内蒙古呼和浩特０１００７０）
摘 要：文章应用最大信息熵原理，实现了显微细胞图像的多阈值分割。选用图像像素灰度值和各
灰度值在图像中出现的概率构成一维灰度直方图，针对显微细胞图像多域值分割的要求，将一维灰度直
方图划分成３个独立的子块，确定各个子块的信息熵。根据最大信息熵原理，当总的信息熵为最大值时，
确定的阈值ｔ１、ｔ２为最佳分割阂值。 关键词：最大信息熵原理；显微细胞图像；多阈值分割
中图分类号：ＴＮ９１１．７３ 文献标识码：Ａ 文章编号：１ＯＯ７—６９２１（２０１０）１８一Ｏ０５８一Ｏ３
在医用图像处理中，显微细胞图像的分割是重
要环节，它是将图像的细胞核、细胞浆和背景有效区
分，为病理医生进一步分析细胞的病变情况提供帮
助。在细胞学诊断领域，显微细胞图像的核浆比值是
判断疑似肿瘤细胞的参考数据之一，对于疑似的肿
瘤细胞，细胞的核浆比值有所增加，所以将待测显微
细胞图像的细胞核、细胞浆和背景准确区分，即实现
显微细胞图像的多阈值分割显得尤为重要。目前已
经有许多种方法应用到图像分割领域，其中直方图 阈值法ｎ］因其计算简单、适用性强，受到广大研究者
的重视。在阈值选取方面，采用最大信息熵原理［２ 确
定直方图阈值，实现显微细胞图像分割的方法，运算
速度快、性能稳定，已成为备受关注的一类算法。
１ 一维最大信息熵多阈值分割算法
选取一幅彩色显微细胞图像，像素个数为，首先
将彩色图像转化成灰度图像，灰度级范围定为，用ｎ
表示各个灰度级在图像中出现的像素个数，其中ｉ一
１，２，…，２５６，由ｉ和ｎ。可构成一维灰度直方图，如图１
基于最大熵原理与欧氏距离的机床主轴系统的退化分析
主题：监测秘质量控糊技术
基于最大熵原理与欧氏距离的机床
主轴系统的退化分析
董新峰 李郝林 余慧杰
（上海理工大学机械工程学院，上海２０００９３）
摘要：采用最大熵原理和距离函数对Ｍ１４３２Ｂ磨床工件主轴 方向进行了退化分析，首先采用最大熵原
理获得４—１０月份振动信号精确的概率密度分布，然后采用距离函数中的欧氏距离对４一ｌＯ月份概 率密度分布的变化进行计算，结果表明Ｍ１４３２Ｂ磨床工件主轴 方向发生了微小的退化。
关键词：最大熵原理 欧氏距离退化分析机床
中图分类号：ＴＨ１７，ＴＰ２０６ 文献标识码：Ａ
Ｄｅｇｒａｄａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｍａｃｈｉｎｅ ｔｏｏｌ ｂａｓｅｄ ｏｎ ｍａｘｉｍｕｍ
ｅｎｔｒｏｐｙ ａｎｄ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ
ＤＯＮＧ Ｘｉｎｆｅｎｇ，ＬＩ Ｈａｏｌｉｎ，ＹＵ Ｈｕｉｊｉｅ （Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２０００９３，ＣＨＮ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ａｎｄ ｄｉｓｔａｎｃｅ ｆｕｎｃｔｉｏｎｓ ｗｅｒｅ ａｐｐｌｉｅｄ ｆｏｒ ｔｈｅ ｄｅｇｒａｄａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ
Ｘ２ ｄｉｒｅｃｔｉｏｎ ｏｆ ｔｈｅ Ｍ１４３２ ｇｒｉｄｉｎｇ ｍａｃｈｉｎｅ ｆｒｏｍ Ａｐｒｉｌ ｔｏ Ｏｃｔｏｂｅｒ．Ｆｉｒｓｔ，ｗｅ ｕｓｅｄ ｔｈｅ ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｐｒｉｎｐｌｅ ｔｏ ｏｂｔａｉｎ ａｃｃｕｒａｔｅ ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｈｅ ｖｉｂｒａｔｉｏｎ，ｔｈｅｎ，ｕｓｅｄ ｔｈｅ Ｅｕｃｌｉｄｅａｎ ｄｉｓ—
ｔａｎｃｅ ｆｕｎｃｔｉｏｎ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｃｈａｎｇｅｓ ｏｆ ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ Ｘ２ ｄｉ—
信息熵原理
- 1 - 信息熵原理
信息熵原理是指在信息理论中，对于一串信息的不确定性度量的概念。它是通过信息中存在的不确定性或者随机性来衡量信息的含义和价值。在信息论中，信息熵的大小与信息编码的效率有关，即信息熵越小，编码效率越高。
信息熵原理主要适用于信息传输和数据压缩等领域。在信息传输中，如果传输的信息存在大量的冗余和重复，那么将会增加传输的时间和成本。而通过使用信息熵原理，可以有效地压缩信息，减少传输的时间和成本。
信息熵原理还可以应用于密码学领域。在密码学中，加密算法需要具备高度的随机性和不可预测性，这样才能保证加密过程的安全性。信息熵原理可以帮助加密算法生成高强度的随机数，并且判断加密算法的强度和安全性。
总之，信息熵原理是信息理论中非常重要的概念，它不仅仅适用于信息传输和数据压缩等领域，还可以应用于密码学、通信、计算机网络等众多领域，具有重要的理论和实践价值。
信息熵的概念及其在信息论中的应用
信息熵的概念及其在信息论中的应用
信息熵是信息论中一个重要的概念，它被用来衡量一段信息的不确定性或者说信息的平均编码长度。熵的概念最早由克劳德·香农在1948年提出，对于信息的量化和信源编码具有重要的理论和实际应用。本文将对信息熵的概念进行详细的介绍，并探讨其在信息论中的应用。
一、信息熵的定义
信息熵可以看作是一个信源所产生的信息的不确定性度量。当一个信源产生的符号具有均匀分布时，熵的值最大；而当信源的输出符号呈现高度集中的分布时，熵的值最小。具体地，对于一个离散型信源，其熵的定义如下：
H(X) = -Σp(x)log2p(x)，
其中，H(X)表示信源X的熵，p(x)表示信源X输出符号x出现的概率。
二、信息熵的解释
信息熵可以理解为对信息的平均编码长度的期望。在信息论中，我们可以通过霍夫曼编码等方法对信息进行编码，使得熵最小化，从而达到最高的编码效率。假设信源X有n个符号，出现的概率分别为p1,
p2, ..., pn，则信源X的平均编码长度L为：
L = ΣpiLi， 其中，Li为信源X的符号i的编码长度。根据不等式关系log2(p1/p2) <= p1/p2，我们可以得到：
H(X) = -Σp(x)log2p(x) <= Σp(x) * (-log2p(x)) = Σp(x)log2(1/p(x)) =
Σp(x)log2n = log2n，
即熵的值小于等于log2n，其中n为符号的个数。当n个符号均匀分布时，熵的值达到最大，即log2n。
三、信息熵的应用
信息熵在信息论中具有广泛的应用，下面将介绍几个常见的应用场景。
1. 数据压缩
信息熵在数据压缩中起到重要的作用。根据信息论的原理，我们可以利用数据的统计特性进行有损压缩。对于频率出现较高的符号，我们可以分配较短的编码，而对于出现频率较低的符号，则分配较长的编码。通过这种方式，我们可以大大减少数据的存储空间，提高传输效率。
通信原理信息熵
通信原理信息熵
通信原理是指在信息传输过程中所遵循的一系列规律和原则。信息熵是通信原理中一个重要的概念，它用来衡量信息的不确定性和随机性。在本文中，我们将从信息熵的定义、计算方法以及与通信原理的关系等方面进行探讨。
我们来了解一下信息熵的定义。信息熵是由香农在1948年提出的，它是一种度量信息的平均不确定性的指标。在信息论中，信息熵用来衡量一个随机变量所包含的信息量的大小。如果一个随机变量的信息熵越大，那么它所包含的信息量就越大，反之则越小。
那么，如何计算信息熵呢？在离散概率分布情况下，信息熵的计算公式为H(X)=-∑(p(x)log2p(x))，其中X表示随机变量，p(x)表示该随机变量取某一特定值的概率。通过计算每个可能值的概率乘以其对应的信息量，并将其相加取负，即可得到该随机变量的信息熵。
信息熵在通信原理中具有重要的意义。在通信系统中，信息的传输主要通过信号来实现。信号可以看作是传递信息的载体，而信息熵则是衡量信号中所包含的信息量的大小。在通信过程中，为了提高传输效率和降低传输成本，需要对信息进行编码和压缩。而信息熵则为我们提供了一个衡量编码效果的指标。当信号的信息熵较大时，说明信号中包含的信息量较大，编码效果较好；反之，当信号的信息熵较小时，说明信号中包含的信息量较小，编码效果较差。
信息熵还与信道容量密切相关。信道容量是指在给定信噪比下，信道能够传输的最大信息速率。在通信原理中，为了提高信道利用率，需要选择合适的编码方案和调制方式。而信息熵则为我们提供了一个理论上的上限，即信道的容量不能超过信号的信息熵。因此，在通信系统设计中，需要根据信道容量和信号的信息熵来选择合适的编码方式，以达到最佳的传输效果。
除了在通信系统中的应用，信息熵还在其他领域中有着广泛的应用。在数据压缩、密码学、图像处理等领域中，信息熵被用来衡量数据的复杂性和随机性，从而实现数据的压缩和加密等操作。
总结起来，信息熵是通信原理中一个重要的概念，它用来衡量信息的不确定性和随机性。信息熵的计算方法简单明了，可以帮助我们评估编码效果和选择合适的通信方案。在通信系统设计和其他领域中，信息熵都发挥着重要的作用。通过对信息熵的深入理解和应用，我们可以为通信技术的发展和应用提供更加科学有效的支持。
通信原理信息熵 2
通信原理信息熵
信息熵是信息理论中的重要概念，用于衡量信息的不确定性和随机性。在通信原理中，信息熵是评估信源的不确定性以及传输过程中的信息损失的重要指标。本文将从信息熵的定义、计算方法、作用以及与通信原理的关系等方面进行介绍。
一、信息熵的定义
信息熵是信息理论中用来衡量一个随机变量的不确定性的指标。在通信原理中，信源产生的信息可以看作是一个随机变量，其不同可能取值对应着不同的消息。信息熵就是衡量这个随机变量的平均不确定性的度量。
二、信息熵的计算方法
信息熵的计算方法基于信息的概率分布。假设一个信源有n个可能的消息，每个消息出现的概率分别为p1、p2、…、pn，那么信息熵H的计算公式为：
H = -p1 * log2(p1) - p2 * log2(p2) - ... - pn * log2(pn)
三、信息熵的作用
信息熵可以用来衡量一个信源的不确定性。当信源的信息熵越大，表示信源的不确定性越高，包含的信息量也就越大。反之，当信源的信息熵越小，表示信源的不确定性越低，包含的信息量也较少。
四、信息熵与通信原理的关系 在通信原理中，信息熵与信道容量有密切关系。信道容量是指在满足一定误码率要求的情况下，信道所能传输的最大信息速率。根据香农定理，信道容量与信道的带宽和信噪比有关。而信道传输的信息量与信息熵相关，信息熵越大，表示信源包含的信息量越多，需要传输的信息量也就越大。
信息熵还可以用于编码理论中的编码效率分析。编码是将源符号转换成码符号的过程，其中一种重要的编码方式是霍夫曼编码。霍夫曼编码通过将出现频率较高的消息用较短的码字表示，从而提高编码效率。而信息熵可以作为一个理论上限，用来评估编码效率的优劣。
总结：
信息熵是通信原理中的重要概念，用于衡量信源的不确定性和传输过程中的信息损失。通过计算信息熵，可以评估信源的不确定性，衡量信道容量以及分析编码效率。在通信系统设计中，充分理解和应用信息熵的概念，可以优化通信系统的性能，提高信息传输的效率。
流域蓄水容量曲线的信息熵理论
人民珠江ｐＥａＲＬ ＲＩＶＥＲ・２００２年第１期
流域蓄水容量曲线的信息熵理论
张 明
（云南省水利厅，云南昆明 ６５００２１）
摘要：以最大信息熵原理为基础，对流域蓄水容量曲线进行了研究，并导出了两种具体的流域蓄水客量曲残模型
—— 次抛物线型与指敷曲线型。然后结告算线型的信息熵应满足的约束书件，对 次抛物残型与指数曲残型流 域蓄水含量曲线的适应性进行了分析和计论。 美蕾词：最大信息熵原理；漉域蓄水容量曲线； 次抛物线型；指敷曲线型
中圈分类号：ＴＶ１２１ ２；０２３６ 文献标识码：Ａ 文章编号：１００１ ９２３５【２００２）０１—００２４ ０３
０引言 流域蓄水容量曲线是流域包气带最大缺水量分布曲线， 是建立蓄满产流时流域产流计算数学模型的核心之一。赵 人俊教授提出的新安江模型中，流域蓄水容量曲线提供了强
有力的方法。对于一个流域，只要确定其流域蓄水容量曲 线，即使缺乏实测雨洪资料．也可以得到降雨径流关系。
由于流域地形、地质、土壤、植被、气候、地下水位等因素 的影响．流域备点蓄水容量存在很大差异，因而在一个流域 内存在单点蓄水容量的空间随机分布，即流域蓄水容量曲
线。目前要想通过直接测量的方法来确定它是不可能的，因 而只是对它的分布进行经验假定。在国外，一般采用直线线 型和指数曲线型；在国内，一般采用抛物线型、指数曲线型、
圆弧四分之一线型、ｒ分布线型、双抛物线型、衰减函数线 型、直线线型等，其中以采用赵人俊教授提出的 次抛物线 型和辽宁省水文总站提出的指数曲线型为主，已取得了许多
成果和经验。流域蔷水容量曲线的这些线型，是一种考虑流 域蓄水容量随机分布的简化处理方法，同时是一种经验性的 拟舍，１ ３。
流域蔷水容量曲线的重要作用，决定了对该曲线寻求～
定的理论基础是必要的。本文应用最大信息熵原理导出了 两种具体的流域蓄水容量曲线—— 次抛物线型与指数曲 线型，并根据其线型的信息熵应满足的约束条件，判断其适 应性。 ｌ信息熵理论