From our preceding discussion, we h

From our preceding discussion, we have observed that the Huffman coding algorithm
yields optimal source codes in the sense that the code words satisfy the prefix condition
and the average block length is a minimum. To design a Huffman code for a DMS,
we need to know the probabilities of occurrence of all the source letters. In the case
of a discrete source with memory, we must know the joint probabilities of blocks of
lengthn≥2. However, in practice, the statistics of a source output are often unknown.
In principle, it is possible to estimate the probabilities of the discrete source output by
simply observing a long information sequence emitted by the source and obtaining the
probabilities empirically. Except for the estimation of the marginal probabilities{pk},
corresponding to the frequency of occurrence of the individual source output letters,
the computational complexity involved in estimating joint probabilities is extremely
high. Consequently, the application of the Huffman coding method to source coding
for many real sources with memory is generally impractical.
In contrast to the Huffman coding algorithm, the Lempel–Ziv source coding
algorithm does not require the source statistics. Hence, the Lempel–Ziv algorithm belongs to the class ofuniversal source coding algorithms. It is a variable-to-fixed-length
algorithm, where the encoding is performed as described below.
In the Lempel–Ziv algorithm, the sequence at the output of the discrete source is
parsed into variable-length blocks, which are calledphrases. A new phrase is introduced
every time a block of letters from the source differs from some previous phrase in the
last letter. The phrases are listed in a dictionary, which stores the location of the existing
phrases. In encoding a new phrase, we simply specify the location of the existing phrase
in the dictionary and append the new letter.

Kết quả (Việt) 1:

Từ chúng tôi thảo luận trước, chúng tôi đã quan sát thấy rằng Huffman mã hóa thuật toánsản lượng tối ưu nguồn mã trong ý nghĩa rằng mã từ đáp ứng các điều kiện tiền tốvà chiều dài trung bình là tối thiểu. Để thiết kế một mã Huffman cho một DMS,chúng ta cần phải biết các xác suất của sự xuất hiện của tất cả các chữ cái nguồn. Trong trường hợpcủa một nguồn rời rạc với bộ nhớ, chúng ta phải biết các xác suất phần của khốilengthn≥2. Tuy nhiên, trong thực tế, thống kê lượng nguồn được thường không rõ.Về nguyên tắc, có thể ước tính xác suất rời rạc nguồn ra bởiđơn giản chỉ cần quan sát một thông tin dài trình tự phát ra bởi nguồn và lấy cácxác suất empirically. Ngoại trừ ước tính của các xác suất biên {pk},tương ứng với tần suất xuất hiện của các chữ cái đầu ra nguồn cá nhân,tính toán phức tạp liên quan đến ước tính phần xác suất là vô cùngcao. Do đó, việc áp dụng Huffman mã hóa các phương pháp để nguồn mã hóaĐối với nhiều nguồn thực với bộ nhớ là không thực tế nói chung.Trái ngược với Huffman mã hóa thuật toán, mã hóa nguồn Lempel-Zivthuật toán không yêu cầu các thống kê nguồn. Do đó, các thuật toán Lempel-Ziv thuộc về lớp ofuniversal nguồn mã hóa thuật toán. Nó là một biến-để-cố định-chiều dàithuật toán, nơi các mã hóa được thực hiện như mô tả dưới đây.Trong thuật toán Lempel-Ziv, dãy lúc đầu ra của nguồn rời rạc làphân tích cú pháp vào các khối thay đổi chiều dài, là calledphrases. Một cụm từ mới được giới thiệumỗi khi một khối của các chữ cái từ nguồn khác với một số cụm từ trước đó trong cáclá thư cuối cùng. Các cụm từ được liệt kê trong từ điển, mà các cửa hàng vị trí hiện tạicụm từ. Mã hóa một cụm từ mới, chúng tôi chỉ đơn giản là xác định vị trí của cụm từ hiện tạitrong từ điển và thêm chữ cái mới.

Kết quả (Việt) 2:

Từ cuộc thảo luận trước đó của chúng tôi, chúng tôi đã quan sát thấy rằng các thuật toán mã hóa Huffman
sản lượng mã nguồn tối ưu theo nghĩa là các từ mã đáp ứng các điều kiện tiền tố
và độ dài khối trung bình là mức tối thiểu. Để thiết kế một mã Huffman cho một DMS,
chúng ta cần phải biết xác suất xuất hiện của tất cả các chữ cái nguồn. Trong trường hợp
của một nguồn riêng biệt với bộ nhớ, chúng ta phải biết xác suất chung của khối
lengthn≥2. Tuy nhiên, trong thực tế, số liệu thống kê của một đầu ra nguồn thường không rõ.
Về nguyên tắc, chúng ta có thể ước tính xác suất của các đầu ra nguồn rời rạc bằng cách
đơn giản là quan sát một dãy dài các thông tin được phát ra bởi các nguồn và thu thập các
xác suất thực nghiệm. Ngoại trừ việc ước lượng xác suất cận biên {pk},
tương ứng với tần số xuất hiện của các chữ cái đầu ra nguồn cá nhân,
các tính toán phức tạp liên quan đến việc ước lượng xác suất chung là cực kỳ
cao. Do đó, việc áp dụng các phương pháp Huffman để mã hóa nguồn mã hóa
cho nhiều nguồn thực với bộ nhớ nói chung là không thực tế.
Ngược lại với các thuật toán mã hóa Huffman, nguồn Lempel-Ziv mã hóa
thuật toán không yêu cầu số liệu thống kê nguồn. Do đó, các thuật toán Lempel-Ziv thuộc về nguồn lớp ofuniversal mã hóa thuật toán. Nó là một biến-to-chiều dài cố định
thuật toán, nơi các mã hóa được thực hiện như mô tả dưới đây.
Trong các thuật toán Lempel-Ziv, trình tự ở đầu ra của nguồn rời rạc được
phân tách thành các khối có độ dài thay, đó là calledphrases. Một cụm từ mới được giới thiệu
mỗi khi một khối các chữ cái từ các nguồn khác với một số cụm từ trước đó trong
lá thư cuối cùng. Các cụm từ được liệt kê trong một từ điển, trong đó lưu trữ vị trí của hiện
cụm từ. Trong mã hóa một cụm từ mới, chúng ta chỉ cần xác định vị trí của các cụm từ có sẵn
trong từ điển và gắn thêm các thư mới.