Có một thủ tục đơn giản là nắm bắt tất cả các trực giác, bao gồm các yếu tố tâm lý và hình học. Nó dựa vào việc sử dụng sự gần gũi về không gian , là nền tảng của nhận thức của chúng ta và cung cấp một cách thức nội tại để nắm bắt những gì chỉ được đo lường một cách không hoàn hảo bằng các đối xứng.
Để làm điều này, chúng ta cần đo lường "độ phức tạp" của các mảng này ở các thang đo cục bộ khác nhau. Mặc dù chúng tôi có nhiều sự linh hoạt để chọn các thang đo đó và chọn ý nghĩa trong đó chúng tôi đo lường mức độ "gần gũi", nhưng nó đủ đơn giản và hiệu quả để sử dụng các vùng lân cận vuông nhỏ và xem xét trung bình (hoặc, tương đương, tổng) trong chúng. Để kết thúc này, một chuỗi các mảng có thể được bắt nguồn từ bất kỳ bằng mảng bằng cách hình thành các khoản tiền hàng xóm di chuyển bằng bằng khu dân cư, sau đó bằng , vv, lên đến bởi (mặc dù sau đó thường có quá ít giá trị để cung cấp mọi thứ đáng tin cậy).mnk=2233min(n,m)min(n,m)
Để xem cách thức hoạt động, hãy thực hiện các phép tính cho các mảng trong câu hỏi mà tôi sẽ gọi đến , từ trên xuống dưới. Dưới đây là các sơ đồ tổng hợp di chuyển cho (tất nhiên là mảng ban đầu) được áp dụng cho .a1a5k=1,2,3,4k=1a1
Theo chiều kim đồng hồ từ phía trên bên trái, bằng , , và . Các mảng lần lượt là by , sau đó by , by và by . Tất cả đều trông giống như "ngẫu nhiên." Chúng ta hãy đo sự ngẫu nhiên này với entropy cơ sở 2 của chúng. Đối với , chuỗi các entropies này là . Hãy gọi đây là "hồ sơ" của .k124355442233a1(0.97,0.99,0.92,1.5)a1
Ngược lại, đây là các tổng di chuyển của :a4
Với có ít biến thiên, entropy thấp. Hồ sơ là . Các giá trị của nó luôn thấp hơn các giá trị cho , xác nhận cảm giác trực quan rằng có một "mẫu" mạnh có trong .k=2,3,4(1.00,0,0.99,0)a1a4
Chúng ta cần một khung tham chiếu để diễn giải những hồ sơ này. Một mảng hoàn toàn ngẫu nhiên của các giá trị nhị phân sẽ chỉ có khoảng một nửa giá trị của nó bằng và nửa còn lại bằng , cho entropy là . Các khoản tiền di chuyển trong bằng các khu phố sẽ có xu hướng có phân phối nhị thức, đem lại cho họ entropies thể dự đoán được (ít nhất là đối với mảng lớn) có thể được xấp xỉ bằng :011kk1+log2(k)
Những kết quả này được tạo ra bằng cách mô phỏng với các mảng lên tới . Tuy nhiên, họ phá vỡ đối với mảng nhỏ (ví dụ như bởi mảng ở đây) do mối tương quan giữa các cửa sổ láng giềng (một lần kích thước cửa sổ là khoảng một nửa kích thước của mảng) và do số lượng nhỏ dữ liệu. Đây là một hồ sơ tài liệu tham khảo của ngẫu nhiên bởi mảng được tạo ra bằng cách mô phỏng cùng với âm mưu của một số cấu hình thực tế:m=n=1005555
Trong cốt truyện này, hồ sơ tham khảo là màu xanh rắn. Các cấu hình mảng tương ứng với : đỏ, : vàng, : xanh, : màu xanh nhạt. (Bao gồm sẽ che khuất hình ảnh vì nó gần với cấu hình của .) Nhìn chung, các cấu hình tương ứng với thứ tự trong câu hỏi: chúng nhận được thấp hơn ở hầu hết các giá trị của khi thứ tự rõ ràng tăng lên. Ngoại lệ là : cho đến khi kết thúc, với , tổng số chuyển động của nó có xu hướng có trong số các entropi thấp nhất . Điều này cho thấy một quy luật đáng ngạc nhiên: mỗi của khu phố tronga1a2a3a4a5a4ka1k=422a1 có chính xác hoặc ô vuông màu đen, không bao giờ nhiều hơn hoặc ít hơn. Nó ít "ngẫu nhiên" hơn người ta tưởng. (Điều này một phần là do mất thông tin đi kèm với việc tính tổng các giá trị trong mỗi vùng lân cận, một quy trình cô đọng các cấu hình lân cận có thể thành các khoản tiền khác nhau có thể Nếu chúng tôi muốn tính toán cụ thể cho các phân nhóm và định hướng trong mỗi khu phố, sau đó thay vì sử dụng các khoản tiền di chuyển, chúng tôi sẽ sử dụng di chuyển concatenations. Đó là, mỗi bằng hàng xóm có122k2k2+1kk2k2cấu hình khác nhau có thể; bằng cách phân biệt tất cả, chúng ta có thể có được số đo entropy tốt hơn. Tôi nghi ngờ rằng một biện pháp như vậy sẽ nâng cao cấu hình của so với các hình ảnh khác.)a1
Kỹ thuật tạo hồ sơ của các entropies trên một phạm vi tỷ lệ được kiểm soát, bằng cách tính tổng (hoặc nối hoặc kết hợp các giá trị) trong các vùng lân cận di chuyển, đã được sử dụng để phân tích hình ảnh. Đó là một khái quát hai chiều của ý tưởng nổi tiếng về phân tích văn bản trước tiên là một loạt các chữ cái, sau đó là một loạt các bản thảo (trình tự hai chữ cái), sau đó là các bức thư, v.v. Nó cũng có một số mối quan hệ rõ ràng với fractal phân tích (khám phá các thuộc tính của hình ảnh ở quy mô nhỏ hơn và mịn hơn). Nếu chúng ta cẩn thận sử dụng tổng di chuyển khối hoặc ghép khối (để không có sự chồng chéo giữa các cửa sổ), người ta có thể rút ra các mối quan hệ toán học đơn giản giữa các entropi liên tiếp; Tuy nhiên,
Mở rộng khác nhau là có thể. Ví dụ, đối với cấu hình bất biến xoay vòng, hãy sử dụng các vùng lân cận hình tròn thay vì hình vuông. Tất cả mọi thứ khái quát vượt ra ngoài mảng nhị phân, tất nhiên. Với các mảng đủ lớn, người ta thậm chí có thể tính toán các cấu hình entropy khác nhau cục bộ để phát hiện sự không ổn định.
Nếu một số duy nhất là mong muốn, thay vì toàn bộ hồ sơ, hãy chọn thang đo mà tính ngẫu nhiên không gian (hoặc thiếu số đó) được quan tâm. Trong những ví dụ, quy mô mà sẽ tương ứng tốt nhất để một bởi hoặc của di chuyển khu phố, bởi vì đối với khuôn mẫu của họ tất cả họ đều dựa vào nhóm mà span 3-5 tế bào (và của khu phố chỉ trung bình đi tất cả sự thay đổi trong mảng và như vậy là vô dụng). Ở thang đo sau, các entropies cho đến là , , , và334455a1a51.500.81000 ; entropy dự kiến ở thang đo này (cho một mảng ngẫu nhiên đồng đều) là . Điều này biện minh cho ý nghĩa rằng "nên có entropy khá cao." Để phân biệt , , và , được buộc lại bằng entropy ở quy mô này, hãy nhìn vào độ phân giải tốt hơn tiếp theo ( bởi vùng lân cận): entropy của họ là , , , tương ứng (trong khi một mạng lưới ngẫu nhiên được kỳ vọng sẽ có giá trị là ). Bằng các biện pháp này, câu hỏi ban đầu đặt các mảng theo đúng thứ tự.1.34a1a3a4a50331.390.990.921.77