470
个编辑
更改
跳到导航
跳到搜索
小第8行：
第8行： − + 第15行：
第15行： − +
→误差最小的预测： 提高数学公式中符号的一致性
<math>
<math>
\begin{aligned}
\begin{aligned}
C_{μ}(\textbf {R}) & \equiv H[R] \\
C_{μ}(\mathbfcal{R}) & \equiv H[\mathbfcal{R}] \\
& = - \sum_{ρ \in \mathcal R } P(\mathcal R = ρ)\log_{2}P(\mathcal R = ρ). \\
& = - \sum_{ρ \in \mathcal R } P(\mathcal R = ρ)\log_{2}P(\mathcal R = ρ). \\
\end{aligned}
\end{aligned}
当和收敛到一个有限值。
当和收敛到一个有限值。
在<math>C_{μ}</math>含有下标μ中提示我们它有着量化理论的特性，并且最终依赖于过程序列的分布，能导出状态上的测量。
在<math>C_{μ}</math>含有下标μ提示我们它有着量化理论的特性，并且最终依赖于过程序列的分布，能导出状态上的测量。
一个状态类的统计复杂度是平均不确定度（单位是比特），在此过程的当前状态。这个，换句话说，是跟平均存储数量（单位是比特）一样，过程看上去是在保持过去，在给定选定的状态类<math>\mathbfcal{R}</math>的条件下。这个目标是在尽可能少的存储下完成。再次申明，我们希望最小化统计复杂度，并符合最大准确预测的原则。
一个状态类的统计复杂度是平均不确定度（单位是比特），在此过程的当前状态。这个，换句话说，是跟平均存储数量（单位是比特）一样，过程看上去是在保持过去，在给定选定的状态类<math>\mathbfcal{R}</math>的条件下。这个目标是在尽可能少的存储下完成。再次申明，我们希望最小化统计复杂度，并符合最大准确预测的原则。