Cтраница 1
Приращение информации может быть обусловлено поступлением сразу некоторого количества результатов наблюдений. [1]
Приращение информации происходит при ее обработке на всех уровнях управления независимо от применяемых информационных систем и устройств за счет получения новых данных для управления. [2]
При неасимптотическом режиме работы устройства алгебраическая сумма приращения информации становится больше, чем разность между исходной и конечной информацией. [3]
Модель Айзенсона: Айзенсон [142] 1 предполагает зависимость приращения информации во времени только от двух факторов - от числа исследователей и распознанного верхнего предела роста. [4]
С практической точки зрения, кроме величины объема информации, важно знать также и количество информации, которое поступает с каждым новым наблюдением, т.е. величину приращения информации. Отношение приращения информации к количеству вновь поступивших результатов наблюдений называют плотностью информации. [5]
Так как микроинструк-ции в машине CSX-1 однозначно соответствуют точкам управления, а упорядоченные пары - схемам связи между управляющими точками, эти критерии обеспечивают локальный максимум приращения информации, получаемого на каждом шаге. Таким образом, процедура оказывается более эффективной, чем процедуры, получаемые при использовании подхода, обсуждавшегося в разд. Однако из-за отсутствия глобальной оптимизации результаты не могут быть оптимальными. Заметим, что эвристический метод Сешу является субоптимальным по той же причине. [6]
Модель Гартмана: Гартман [133] выводит свою модель из простой аналогии с взаимодействием частиц в газах. Приращение информации в этой модели зависит от количества уже имеющейся информации, что фундаментально отличает ее от модели Айзенсона, но более тесно согласуется с нашим общим представлением о производстве научных и технических результатов. [7]
С практической точки зрения, кроме величины объема информации, важно знать также и количество информации, которое поступает с каждым новым наблюдением, т.е. величину приращения информации. Отношение приращения информации к количеству вновь поступивших результатов наблюдений называют плотностью информации. [8]
Таким образом, если известен некий окончательный предел, полная кривая может быть экстраполирована на основе очень короткого временного ряда. Решающий момент состоит, конечно, в том, чтобы выяснить, какие научные, технические и функциональные параметры ( если таковые имеются) будут строго подчиняться этому простому закону. В принципе эта аналогия открывает многочисленные возможности для уточнения посредством адаптации горизонтально действующих внутренних и внешних факторов, влияющих на приращение информации. [9]
Часто предполагают, что эта проблема ложного максимума является главным препятствием при обучении машин по этому методу. Это, конечно, может вызвать затруднения. Однако что касается действительно трудных проблем, то нам кажется, что обычно более фундаментальная проблема состоит в отыскании вообще какого-то существенного максимума. К сожалению, известные функции Е для трудных проблем часто обнаруживают то, что мы назвали [740] Mesa-феноменом, при котором незначительные изменения в параметре обычно либо ведут к большим изменениям в характеристике, либо вообще не меняют характеристику. При любой попытке делать небольшие шаги в системе возникают бесполезные блуждания, не сопровождающиеся приращением информации. Выгодный поиск в таком пространстве потребует таких больших шагов, что поиск методом подъема по градиенту по существу исключен. Для решения задачи требуется тогда найти другие методы. Однако при другом виде эвристической связи поиск методом подъема по градиенту может оказаться удовлетворительным. [10]
Позднее Бриллюэном [15] был предложен новый аспект понимания информации, также связанный с энтропией системы. По второму закону термодинамики энтропия системы либо постоянна, либо увеличивается. В сущности это означает, что связи I и II порядков между ее элементами характеризуются все большей случайностью, стохастичностью. Вместе с тем при получении информации степень недетерминированности системы уменьшается: информация эффективно воздействует на процесс раскрытия неопределенности в системе. Такое более или менее полное раскрытие неопределенности, по Бриллюэну [15], приравнивается к тому, что энтропия системы рассматривается как отрицательная энтропия - негентропия, иными словами, приращение информации адекватно увеличению негентропии и, наоборот, уменьшение неген-тропии системы адекватно потере информации. [11]