香农公式推导过程

发布时间：2025-10-06 | 来源：互联网转载和整理

香农公式是由信息论的创始人克劳德·香农（Claude Shannon）在1948年提出的，用于计算离散信源的信息熵。下面是香农公式的推导过程：

假设我们有一个离散的随机变量X，它可以取到的所有值是{x1, x2, ..., xn}，对应的概率分布为{p1, p2, ..., pn}。其中每一个xi表示信源可能输出的一个符号，pi表示对应的概率。

首先我们定义信息量I(xi)来表示信源输出xi的信息数量，它的定义为：

I(xi) = -log2(pi)

为什么选择-log2而不是其他底数的对数呢？这是因为在信息论中，以2为底的对数被称为比特（bit），是表示信息量的最常用单位。

接下来我们可以定义信源的平均信息量H(X)，它表示信源平均每个符号产生的信息量，即：

H(X) = ΣI(xi) * p(xi) = Σ(-log2(pi) * p(xi))

这里的Σ表示连加符号，遍历信源的每个可能符号xi，并将信息量I(xi)乘以对应概率p(xi)相加。

最后我们可以得到信息熵H(X)，它表示信源整体的不确定性，即：

H(X) = -Σ(pi * log2(pi))

这就是香农公式，它用于计算信源产生的平均信息量和不确定性。通过信息熵我们可以衡量信息源的复杂程度和信息的压缩效率，对信息论和通信领域有着重要的应用。