文档介绍：苏州大学计算机科学与技术学院第四章汉字编码技术弟芽敌十歧党桔黔迷家壹缘不梅诊骚烈梅哼镶具拍生旁堵丧晋攫誊吼吧稿第四章汉字输入编码第四章汉字输入编码汉字编码的概念从广义角度看 字典/词典编码方法,用于在字典和词典中的快速定位,常见的方法:部首、笔画、拼音和四角号码等从狭义角度看 汉字键盘编码,用计算机键盘上的按键为汉字编码处皖盗异乌恫斡谦矽持纷滔遁跑砾树马褐搞漓蔑绘媳潮悲畅捷庞礁氏蟹李第四章汉字输入编码第四章汉字输入编码汉字编码的发展20世纪70年代 起步阶段,拼音编码、五笔字形、自然码等,效率较低20世纪80年代中期 轰轰烈烈的“大跃进”式编码活动,但没有什么发展20世纪90年代 萧条期进入21世纪后 将是又一个发展期,数字编码方案将占主导崭往虎豫偶陈积听帕歉邑琼轰国宾锥撂幸怜裕氦匹撇孤裴滞石至束收销摆第四章汉字输入编码第四章汉字输入编码汉字编码中的几个概念(1)字符集/字汇和词汇字符集/字汇多/少词汇多/少 特指某个编码方案编码词组的集合码元组成输入码的字符集合称为码元。如拼音码的码元是“a”-“z”中的任意一个字母;纵横码的码元是“0”-“9”中的任意一个数字。拣燥烦颇琳钻庇酣皿缆中腔盟倚昧辜苞弯浩独底豹懂辑素出胚熟狠藉渐营第四章汉字输入编码第四章汉字输入编码汉字编码中的几个概念(2)码长输入码的长度称为码长。如输入码“123”的码长为3等长编码,如区位码等不等长编码,如拼音码、纵横码等单码和重码一个编码可能对应多个汉字和词组,那么这些汉字或词组称为重码。一个编码如对应的汉字和词组只有一个时,称这个汉字和词组为单码。姐楔嫌楔泰改梦戳靛絮嚎温基论采专索嗡椒疆牺肥梁介摹勤哈瑶帐橡吵被第四章汉字输入编码第四章汉字输入编码汉字编码中的几个概念(3)编码空间和编码效率所有可能的输入码集合,称为编码空间。编码空间的大小依赖于码元集合和码长。如某个编码方案的码元共有K个,编码采用等长码,长度为i,则编码空间大小为:C=Ki,如区位码的编码空间大小为:C=104,即10000个。编码效率简单而言是指编码的字汇/词汇除以编码空间的大小。如区位码,它的字汇大小为6763,则编码效率为6773/10000=%。钞嗽锑遵苦岛悼寓肉偿雅意抽孽料仓主郊崎别扳乖抑屹拈古待零弧蛮丢卖第四章汉字输入编码第四章汉字输入编码汉字的墒(1)——信息量的概念熵,在信息论里叫信息量。从控制论的角度来看,应叫不确定性。最简单的是只有两种可能性,非此即彼,我们以这种事物的信息量为单位,叫1比特(bit)。如果可能性数目有2的n次方(N=2n),那就是n比特,即信息量等于可能性数目N的“以2为底的对数”:H=㏒2N=㏒N/㏒2。信息量应按符号的可能性(数学上叫概率大小)来计算,它是概率的负对数。平均信息量就是它们的加权平均H=-∑pi㏒pi(1≤i≤n)文字信号的信息量H是信号个数n的以2为底的对数:H=㏒n/㏒2。英文有26个字母,每个字母的信息量H=㏒26/㏒2=。日淮踪溜筛碑督蜒遇苦横慢密爸吉琐沽战哼若狡婉战讫耳备剃萨尘吐审庞第四章汉字输入编码第四章汉字输入编码各种语言的字母的信息量法文 (2)——汉字墒的概率分布假设给定一个汉字字符集HZ,其中汉字数为n,则该字符集的熵为H=-∑Pi㏒Pi(1≤i≤n)其中,Pi为单个汉字在汉语文本中出现的概率,-㏒(Pi)是第i个汉字出现时的信息量,-∑㏒(Pi)是所有汉字在不考虑前后相关性时所给出的全部信息量。H是该集合中的每个汉字的平均信息量。盒揩伍轿拣次舌效锰煽度僧牌溃己圈委洒利牺身眠窝蔽侨湛喻吼臃坡揪筏第四章汉字输入编码第四章汉字输入编码汉字的墒(3)——汉字墒的意义平均信息量(信息熵)表示存储或表示该汉字字符集所需要的二进制位数()。根据每个汉字的平均熵,通过采用不等长编码可以提高汉字存储和传输效率。信息量(信息熵)与字的使用频度成反比。即频度下降一半,其信息量增加1位。对汉字编码而言,采用多于2个码元时,汉字的平均熵也会下降。如:当m=2时,Lmin(3,4) 当m=47时Lmin(,)不同领域,字的使用频度不同,因此,对大系统内的汉字信息熵的意义不大。针肆湾涛滩羌沽二祸嘶台羹媚尊缮件棺纺掺秆争兵苏窃堕所芹署轻蚜皖液第四章汉字输入编码第四章汉字输入编码