独立向量信号互信息计算——Matlab实现

引言

信息熵公式：

其中I(X)表示X的信息量

p（xi）是xi发生的概率英文里面叫做probability mass function，一个随机产生的事件所包含的信息本体数量，只与事件发生的机率相关。事件发生的机率越低，在事件真的发生时，接收到的信息中，包含的信息本体越大。含义是概率为 0 的事件对应的信息大, 反之信息量少.取对数的原因是使得乘积变为求和。两个独立事件x，y :p(x,y)=p(x)*p(y),I(x,y)=I(x)+I(y)
信息熵即为信息量的数学期望。
互信息为：

平均互信息为互信息的数学期望：

从公式可以推出：

这样就可以求出两个信号X,Y的互信息了，唯一需要求的就是两个信号的各自的pmf以及联合pmf，离散的pmf可以用直方图法求出，很直观很简单，就是将数据分成n等分，累计落入区间的数量即为信号自己的pmf，联合的pmf呢，同样的记录相同时刻的（xi，yi）落入两个数据n*n等分方格中的数量即为联合的pmf。

1. 编码实现

%计算两列向量之间的互信息
%u1：向量1
%u2：向量2
%wind_size：划分的等份
function mi = calc_mi(u1, u2, wind_size)
x = [u1, u2];
n = wind_size;
[xrow, xcol] = size(x);
bin = zeros(xrow,xcol);
pmf = zeros(n, 2);
for i = 1:2
    minx = min(x(:,i));
    maxx = max(x(:,i));
    binwidth = (maxx - minx) / n;
    edges = minx + binwidth*(0:n);
    histcEdges = [-Inf edges(2:end-1) Inf];
    [occur,bin(:,i)] = histc(x(:,i),histcEdges,1);
    pmf(:,i) = occur(1:n)./xrow;
end
jointOccur = accumarray(bin,1,[n,n]);
jointPmf = jointOccur./xrow;
Hx = -(pmf(:,1))'*log2(pmf(:,1)+eps);
Hy = -(pmf(:,2))'*log2(pmf(:,2)+eps);
Hxy = -(jointPmf(:))'*log2(jointPmf(:)+eps);
MI = Hx+Hy-Hxy;
mi = MI/sqrt(Hx*Hy);