where xn is the nth element of the

where xn is the nth element of the original sequence and rn is the nth element of the residual
sequence. This model is called a static model because its parameters do not change with n.
A model whose parameters change or adapt with n to the changing characteristics of the
data is called an adaptive model.
Basically, we see that knowing something about the structure of the data can help to
“reduce the entropy.” We have put “reduce the entropy” in quotes because the entropy of
the source is a measure of the amount of information generated by the source. As long
as the information generated by the source is preserved (in whatever representation), the
entropy remains the same. What we are reducing is our estimate of the entropy. The “actual”
structure of the data in practice is generally unknowable, but anything we can learn about
the data can help us to estimate the actual source entropy. Theoretically, as seen in Equation
(2.2), we accomplish this in our definition of the entropy by picking larger and larger blocks
of data to calculate the probability over, letting the size of the block go to infinity.
Consider the following contrived sequence:

Kết quả (Việt) 1:

nơi xn là các yếu tố thứ n của các chuỗi gốc và rn là phần tử thứ n của dưtrình tự. Mô hình này được gọi là một mô hình tĩnh vì tham số của nó không thay đổi với n.Một mô hình thông số có thay đổi hoặc thích ứng với n đến thay đổi đặc tính của cácdữ liệu được gọi là một mô hình thích nghi.Về cơ bản, chúng ta thấy rằng biết điều gì đó về cấu trúc của dữ liệu có thể giúp"giảm entropy." Chúng tôi đã đặt "giảm entropy" trong dấu ngoặc kép vì entropy củanguồn là một đo lượng thông tin được tạo ra bởi các nguồn. Càng longTheo thông tin được tạo ra bởi các nguồn được bảo quản (ở bất cứ đại diện), cácdữ liệu ngẫu nhiên vẫn như nhau. Những gì chúng tôi đang giảm là ước tính của chúng tôi dữ liệu ngẫu nhiên. Những "thực tế"cấu trúc dữ liệu trong thực tế là không thể biết nói chung, nhưng bất cứ điều gì chúng tôi có thể tìm hiểu vềcác dữ liệu có thể giúp chúng tôi ước tính thực tế nguồn dữ liệu ngẫu nhiên. Về lý thuyết, như đã thấy trong phương trình(2.2), chúng tôi thực hiện điều này trong chúng tôi định nghĩa entropy bằng cách chọn khối lớn hơn và lớn hơncác dữ liệu để tính toán xác suất hơn, cho phép kích thước của khối đi đến vô cùng.Xem xét theo trình tự sau contrived:

Kết quả (Việt) 2:

đó xn là nguyên tố thứ n của chuỗi ban đầu và rn là nguyên tố thứ n của dư
chuỗi. Mô hình này được gọi là mô hình tĩnh vì các thông số của nó không thay đổi với n.
Một mô hình có các tham số thay đổi và thích nghi với n với đặc điểm thay đổi của
dữ liệu được gọi là một mô hình thích ứng.
Về cơ bản, chúng ta thấy rằng việc biết điều gì đó về cấu trúc của dữ liệu có thể giúp đỡ để
"làm giảm entropy." Chúng tôi đã "làm giảm entropy" trong dấu ngoặc kép vì entropy của
nguồn là một thước đo về số lượng thông tin được tạo ra bởi nguồn. Miễn
là thông tin được tạo ra bởi các nguồn được bảo quản (trong bất cứ đại diện), các
dữ liệu ngẫu nhiên vẫn giữ nguyên. Những gì chúng tôi đang giảm là ước tính của chúng ta về entropy. Các "thực tế"
cấu trúc của dữ liệu trong thực tế là thường không thể biết, nhưng bất cứ điều gì chúng ta có thể tìm hiểu về
các dữ liệu có thể giúp chúng ta ước tính entropy nguồn thực tế. Về mặt lý thuyết, như đã thấy trong phương trình
(2.2), chúng tôi thực hiện điều này trong định nghĩa của chúng ta về entropy bằng cách chọn các khối lớn hơn và lớn hơn
của dữ liệu để tính toán xác suất hơn, cho phép kích thước của khối đi đến vô cùng.
Hãy xem xét các chuỗi trù sau đây: