Loading [MathJax]/jax/output/HTML-CSS/fonts/TeX/fontdata.js

Difference between revisions of "Aufgaben:Exercise 1.8: Synthetically Generated Texts"

From LNTwww
 
(19 intermediate revisions by 3 users not shown)
Line 1: Line 1:
  
{{quiz-Header|Buchseite=Informationstheorie und Quellencodierung/Natürliche wertdiskrete Nachrichtenquellen
+
{{quiz-Header|Buchseite=Information_Theory/Natural_Discrete_Sources
 
}}
 
}}
  
[[File:Inf_A_1_8_vers2.png|right|frame|Zwei synthetisch erzeugte Textdateien]]
+
[[File:EN_Inf_A_1_8.png|right|frame|Two synthetically generated text files]]
  
Der frühere Praktikumsversuch [http://en.lntwww.de/downloads/Sonstiges/Texte/Wertdiskrete_Informationstheorie.pdf Wertdiskrete Informationstheorie] von Günter Söder am Lehrstuhl für Nachrichtentechnik der Technischen Universität München verwendet das Windows-Programm [http://en.lntwww.de/downloads/Sonstiges/Programme/WDIT.zip WDIT]. Die hier angegebenen Links führen zur PDF-Version der Praktikumsanleitung bzw. zur ZIP-Version des Programms. Mit diesem Programm
+
With the Windows programme  "Discrete-Value Information Theory"  from the Chair of Communications Engineering at the TU Munich
  
*kann man aus einer gegebenen Textdatei VORLAGE die Häufigkeiten von Buchstabentripeln wie „aaa”, „aab”, ... , „xyz”, ... ermitteln und in einer Hilfsdatei abspeichern,
+
*one can determine the frequencies of character triplets such as  "aaa",  "aab", ... ,  "xyz", ...  from a given text file  "TEMPLATE"  and save them in an auxiliary file,
* danach eine Datei SYNTHESE erzeugen, wobei das neue Zeichen aus den beiden letzten Zeichen und den abgespeicherten Tripel–Häufigkeiten generiert wird.
+
* then create a file  "SYNTHESIS"  whereby the new character is generated from the last two generated characters and the stored triple frequencies.
  
  
Ausgehend von der deutschen und der englischen Bibelübersetzung haben wir so zwei Dateien synthetisiert, die in der Grafik angegeben sind:
+
Starting with the German and English Bible translations, we have thus synthesised two files, which are indicated in the graphic:
* die Datei 1 (rote Umrandung),
+
* $\text{File 1}$  (red border),
* die Datei 2 (grüne Umrandung)
+
* $\text{File 2}$  (green border).
  
  
Nicht bekannt gegeben wird, welche Datei von welcher Vorlage stammt. Dies zu ermitteln ist Ihre erste Aufgabe.
+
It is not indicated which file comes from which template.  Determining this is your first task.
  
Die beiden Vorlagen basieren auf dem natürlichen Alphabet ($26$ Buchstaben) und dem Leerzeichen („LZ”)   ⇒   M=27. Bei der deutschen Bibel wurden die Umlaute ersetzt, zum Beispiel &bdquo”   ⇒   „ae”.
+
The two templates are based on the natural alphabet  $(26$  letters$)$  and the "Blank Space"  ("BS")   ⇒   M=27.  In the German Bible, the umlauts have been replaced, for example "ä"   ⇒   "ae".
  
  
Die '''Datei 1''' weist folgende Eigenschaften auf:
+
  $\text{File 1}$  has the following characteristics:
* Die häufigsten Zeichen sind „LZ” mit 19.8%, gefolgt von „e” mit 10.2% und „a” mit 8.5%.
+
* The most frequent characters are   "BS"  with  19.8%, followed by  "e"   with  10.2%  and  "a"   with  8.5%.
* Nach „LZ” (Leerzeichen) tritt „t” mit 17.8% am häufigsten auf.
+
* After  "BS",  "t"  occurs most frequently with  17.8%.
* Vor einem Leerzeichen ist „d” am wahrscheinlichsten.
+
* Before   "BS",  "d"  is most likely.
* Die Entropienäherungen jeweils mit der Einheit „bit/Zeichen” wurden wie folgt ermittelt:
+
* The entropy approximations in each case with the unit  "bit/character"  were determined as follows:
 
:$$H_0 = 4.76\hspace{0.05cm},\hspace{0.2cm}
 
:$$H_0 = 4.76\hspace{0.05cm},\hspace{0.2cm}
 
H_1 = 4.00\hspace{0.05cm},\hspace{0.2cm}  
 
H_1 = 4.00\hspace{0.05cm},\hspace{0.2cm}  
Line 32: Line 32:
 
H_4 = 2.81\hspace{0.05cm}.  $$
 
H_4 = 2.81\hspace{0.05cm}.  $$
  
Dagegen ergibt die Analyse von '''Datei 2''':
+
In contrast, the analysis of  $\text{File 2}$:
* Die häufigsten Zeichen sind „LZ” mit 17.6% gefolgt von „e” mit 14.4% und „n” mit 8.9%.
+
* The most frequent characters are   "BS"  with  17.6%  followed by  "e"  with  14.4%  and  "n"  with  8.9%.
* Nach „LZ” ist „d” am wahrscheinlichsten (15.1%) gefolgt von „s” mit 10.8%.
+
* After  "BS",  "d"  is most likely  (15.1%)  followed by  "s"  with  10.8%.
* Nach „LZ” und „d” sind die Vokale „e” (48.3%), „i” (23%) und „a” (20.2%) dominant.
+
* After  "BS"  and  "d",  the vowels  "e"  (48.3%),  "i"  (23%)  and  "a"  (20.2%)  are dominant.
* Die Entropienäherungen unterscheiden sich nur geringfügig von denen der '''Datei 1'''.
+
* The entropy approximations differ only slightly from those of  $\text{File 1}$.
* Für größere k–Werte sind diese etwas größer, zum Beispiel H3=3.17 statt H3=3.11.
+
* For larger  k–values, these are slightly larger, for example  H3=3.17  instead of  H3=3.11.
  
  
  
  
''Hinweise:''
 
*Die Aufgabe gehört zum  Kapitel [[Informationstheorie/Natürliche_wertdiskrete_Nachrichtenquellen|Natürliche wertdiskrete Nachrichtenquellen]].
 
  
*Bezug genommen wird insbesondere auf die Seite [[Informationstheorie/Natürliche_wertdiskrete_Nachrichtenquellen#Synthetisch_erzeugte_Texte|Synthetisch erzeugte Texte]].
 
  
 +
''Hints:''
 +
*The exercise belongs to the chapter  [[Information_Theory/Natural_Discrete_Sources|Natural Discrete Sources]].
 +
*Reference is also made to the page  [[Information_Theory/Natural_Discrete_Sources#Synthetically_generated_texts|Synthetically Generated Texts]].
  
  
===Fragebogen===
+
 
 +
===Questions===
  
 
<quiz display=simple>
 
<quiz display=simple>
{Welche Vorlagen wurden für die hier gezeigte Textsynthese verwendet?
+
{Which templates were used for the text synthesis shown here??
|type="[]"}
+
|type="()"}
+ Die Datei 1 (rot) basiert auf einer englischen Vorlage.
+
+ $\text{File 1}$&nbsp; (red) is based on an English template.
- Die Datei 1 (rot) basiert auf einer deutschen Vorlage.
+
- $\text{File 1}$&nbsp; (red) is based on a German template.
 
 
  
{Vergleichen Sie die mittleren Wortlängen von Datei 1 und Datei 2.
+
{Compare the mean word lengths of&nbsp; $\text{File 1}&nbsp; and&nbsp;\text{File 2}$.
 
|type="[]"}
 
|type="[]"}
- Die Wörter der &bdquo;englischen&rdquo; Datei sind im Mittel länger.
+
- The words of the&nbsp; "English"&nbsp; file are longer on average.
+ Die Wörter der &bdquo;deutschen&rdquo; Datei sind im Mittel länger.
+
+ The words of the&nbsp; "German"&nbsp; file are longer on average.
  
  
{Welche Aussagen gelten für die Entropienäherungen?
+
{Which statements apply to the entropy approximations?
 
|type="[]"}
 
|type="[]"}
+ VORLAGE und SYNTHESE liefern ein nahezu gleiches H1.
+
+ "TEMPLATE"&nbsp; and&nbsp; "SYNTHESIS"&nbsp; provide a nearly equal&nbsp; H1.
+ VORLAGE und SYNTHESE liefern ein nahezu gleiches  H2.
+
+ "TEMPLATE"&nbsp; and&nbsp; "SYNTHESIS"&nbsp; provide a nearly equal&nbsp; H2.
+ VORLAGE und SYNTHESE liefern ein nahezu gleiches  H3.
+
+ "TEMPLATE"&nbsp; and&nbsp; "SYNTHESIS"&nbsp; provide a nearly equal&nbsp; H3.
- VORLAGE und SYNTHESE liefern ein nahezu gleiches  H4.
+
- "TEMPLATE"&nbsp; and&nbsp; "SYNTHESIS"&nbsp; provide a nearly equal&nbsp; H4.
  
  
{Welche Aussagen treffen für den &bdquo;englischen&rdquo; Text zu?
+
{Which statements are true for the&nbsp; "English"&nbsp; text?
 
|type="[]"}
 
|type="[]"}
+ Die meisten Wörter beginnen mit &bdquo;t&rdquo;.
+
+ Most words begin with&nbsp; "t".
- Die meisten Wörter enden mit &bdquo;t&rdquo;.
+
- Most words end with&nbsp; "t".
  
  
{Welche Aussagen könnten für deutsche Texte gelten?
+
{Which statements could be true forthe&nbsp; "German"&nbsp; texts?
 
|type="[]"}
 
|type="[]"}
+ Nach &bdquo;de&rdquo; ist &bdquo;r&rdquo; am wahrscheinlichsten.
+
+ After&nbsp; "de",&nbsp; "r"&nbsp; is most likely.
+ Nach &bdquo;da&rdquo; ist &bdquo;s&rdquo; am wahrscheinlichsten.
+
+ After&nbsp; "da",&nbsp; "s"&nbsp; is most likely.
+ Nach &bdquo;di&rdquo; ist &bdquo;e&rdquo; am wahrscheinlichsten.
+
+ After&nbsp; "di",&nbsp; "e"&nbsp; is most likely.
  
  
Line 88: Line 88:
 
</quiz>
 
</quiz>
  
===Musterlösung===
+
===Solution===
 
{{ML-Kopf}}
 
{{ML-Kopf}}
'''(1)'''&nbsp; Richtig ist der <u>Lösungsvorschlag 1</u>.  
+
'''(1)'''&nbsp; The correct solution is <u>suggestion 1</u>.  
*In der '''Datei 1''' erkennt man viele englische Wörter, in der '''Datei 2''' viele deutsche.  
+
*In&nbsp; $\text{File 1}$&nbsp; you can recognise many English words, in&nbsp; $\text{File 2}$&nbsp; many German words.
*Sinn ergibt keiner der beiden Texte.
+
*Neither text makes sense.
 +
 
  
 +
'''(2)'''&nbsp; Correct is <u>suggestions 2</u>. The estimations of Shannon and Küpfmüller confirm our result:
 +
*The probability of a blank space&nbsp; "BS"&nbsp; in&nbsp; File 1&nbsp; (English)&nbsp; 19.8%.&nbsp;
 +
*So on average every&nbsp; 1/0.198=5.05&ndash;th character is&nbsp; "BS". &nbsp;
 +
*The average word length is therefore
 +
:LM=10.19814.05characters.
 +
*Correspondingly, for&nbsp; File 2&nbsp; (German):
 +
:LM=10.17614.68characters.
  
'''(2)'''&nbsp; Richtig ist der <u>Lösungsvorschlag 2</u>. Die Abschätzungen von Shannon und Küpfmüller bestätigen unser Ergebnis:
 
*Die Wahrscheinlichkeit eines Leerzeichens beträgt bei der '''Datei 1''' (Englisch) 19.8%. Also ist im Mittel jedes 1/0.198=5.05&ndash;te Zeichen ein Leerzeichen. Die mittlere Wortlänge ergibt sich daraus zu
 
:LM=10.19814.05Zeichen.
 
*Entsprechend gilt für die '''Datei 2''' (Deutsch):
 
:LM=10.17614.68Zeichen.
 
  
  
'''(3)'''&nbsp; Richtig sind <u>die drei ersten Aussagen</u>, nicht jedoch die Aussage '''(4)''':
+
'''(3)'''&nbsp; The <u>first three statements</u> are correct, but not statement&nbsp;  '''(4)''':
*Zur Bestimmung der Entropienäherung Hk müssen k&ndash;Tupel ausgewertet werden, zum Beispiel für k=3 die Tripel &nbsp; &bdquo;aaa&rdquo;,&nbsp;  &bdquo;aab&rdquo;, &nbsp; ....  
+
*To determine the entropy approximation&nbsp; Hk&nbsp; ,&nbsp; k&ndash;tuples must be evaluated, for example, for&nbsp; k=3&nbsp; the triples &nbsp; "aaa",&nbsp;  "aab", &nbsp; ....  
*Nach der Generierungsvorschrift &bdquo;Neues Zeichen hängt von den beiden Vorgängern ab&rdquo; werden H1, H2 und H3 von VORLAGE und SYNTHESE übereinstimmen, allerdings auf Grund der endlichen Dateilänge nur näherungsweise.
+
*According to the generation rule "New character depends on the two predecessors",&nbsp; H1,&nbsp; H2&nbsp; and&nbsp; H3&nbsp; of&nbsp; "TEMPLATE"&nbsp; and&nbsp; "SYNTHESIS"&nbsp; will match, <br>but only approximately due to the finite file length.
*Dagegen  unterscheiden sich die H4&ndash;Näherungen stärker, da bei der Generierung der dritte Vorgänger unberücksichtigt bleibt.  
+
*In contrast, the&nbsp; H4&nbsp; approximations differ more strongly because the third predecessor is not taken into account during generation.
*Bekannt ist nur, dass auch bezüglich SYNTHESE H4<H3 gelten muss.
+
*It is only known that&nbsp; H4<H3&nbsp; must also apply with regard to "SYNTHESIS".
  
  
'''(4)'''&nbsp; Richtig ist hier nur die <u>Aussage 1</u>:
 
*Nach einem Leerzeichen (Wortanfang) folgt &bdquo;t&rdquo; mit 17.8%, während am Wortende (vor einem Leerzeichen) &bdquo;t&rdquo; nur mit der Häufigkeit <8.5% auftritt.
 
  
*Die (hier nicht explizit angegebene) Häufigkeit von &bdquo;t&rdquo; ist 8.3%. Insgesamt beträgt die Auftrittswahrscheinlichkeit von &bdquo;t&rdquo; über alle Positionen im Wort gemittelt 7.4%.
+
'''(4)'''&nbsp; Only <u>statement 1</u> is correct here:
*Als dritter Buchstaben nach Leerzeichen und &bdquo;t&rdquo; folgt &bdquo;h&rdquo; mit fast 82% und nach &bdquo;th&rdquo; ist &bdquo;e&rdquo; mit 62 am wahrscheinlichsten. Das lässt daraus schließen, dass &bdquo;the&rdquo; in einem englischen Text überdurchschnittlich oft vorkommt und damit auch in der synthetischen '''Datei 1''', wie die nebenstehende Grafik zeigt.  
+
[[File:Inf_A_1_8d_vers2.png|right|frame|Occurrence of "...the..." in the English text]]
*Aber nicht bei allen Markierungen tritt &bdquo;the&rdquo; isoliert auf &nbsp; &#8658; &nbsp; direkt vorher und nachher ein Leerzeichen.
+
*After a&nbsp; "BS"&nbsp; (beginning of a word),&nbsp; "t" follows with&nbsp; 17.8%, while at the end of a word&nbsp; (before a space),&nbsp; "t"&nbsp; occurs only with the frequency&nbsp; 8.3%.
 +
*Overall, the probability of&nbsp; "t"&nbsp; averaged over all positions in the word is&nbsp; 7.4%.
 +
*The third letter after&nbsp; "BS"&nbsp; and&nbsp;  "t"&nbsp; is&nbsp; "h"&nbsp; with almost&nbsp; 82%&nbsp; and after&nbsp; "th",&nbsp; "e"&nbsp; is most likeky with&nbsp; $62\%$.
 +
*This suggests that&nbsp; "the"&nbsp; occurs more often than average in an English text and thus also in the synthetic&nbsp; $\text{File 1}$, as the following graph shows.  
 +
*But&nbsp; "the"&nbsp; does not occur in isolation in all marks &nbsp; &#8658; &nbsp; immediately preceded and followed by a space.
 +
[[File:Inf_A_1_8e_vers2.png|right|frame|Occurrence of&nbsp; "der",&nbsp; "die",&nbsp; "das"&nbsp; in the German text]]
  
[[File:Inf_A_1_8d_vers2.png|left|frame|Auftreten von &bdquo;...the...&rdquo; im englischen Text]]
 
<br clear=all>
 
'''(5)'''&nbsp; <u>Alle Aussagen</u> treffen zu:
 
*Nach &bdquo;de&rdquo; ist tatsächlich &bdquo;r&rdquo; am wahrscheinlichsten (32.8%), gefolgt von &bdquo;n&rdquo; (28.5%), &bdquo;s&rdquo; (9.3%) und &bdquo;m&rdquo; (9.7%).
 
*Dafür verantwortlich könnten &bdquo;der&rdquo;, &bdquo;den&rdquo;, &bdquo;des&rdquo; und &bdquo;dem&rdquo; sein.
 
* Nach &bdquo;da&rdquo; folgt &bdquo;s&rdquo; mit größter Wahrscheinlichkeit: &nbsp;  48.2%.
 
* Nach &bdquo;di&rdquo; folgt &bdquo;e&rdquo; mit größter Wahrscheinlichkeit: &nbsp;  78.7%.
 
  
 +
'''(5)'''&nbsp; <u>All statements</u> are true:
 +
*After&nbsp; "de",&nbsp; "r"&nbsp; is indeed most likely&nbsp; (32.8%),&nbsp; followed by&nbsp; "n"&nbsp; (28.5%),&nbsp; "s"&nbsp; (9.3%)&nbsp; and&nbsp; "m"&nbsp; (9.7%).
 +
*This could be responsible for&nbsp; "der",&nbsp; "den",&nbsp; "des"&nbsp; und&nbsp; "dem".
 +
* "da"&nbsp; is most likely followed by&nbsp; "s"&nbsp; (48.2%).
 +
* After&nbsp; "di"&nbsp; follows&nbsp; "e"&nbsp; with the highest probability &nbsp; (78.7%).
  
Die Grafik zeigt die '''Datei 2''' mit allen &bdquo;der&rdquo;, &bdquo;die&rdquo; und &bdquo;das&rdquo;.
 
[[File:Inf_A_1_8e_vers2.png|left|frame|Auftreten von &bdquo;der&rdquo;,  &bdquo;die&rdquo; und &bdquo;das&rdquo; im deutschen Text]]
 
  
 +
The graph shows&nbsp; File 2&nbsp; with all occurrences of&nbsp;  "der",&nbsp; "die",&nbsp; "das".
 +
 
 
{{ML-Fuß}}
 
{{ML-Fuß}}
  
  
  
[[Category:Aufgaben zu Informationstheorie|^1.3 Natürliche Nachrichtenquellen^]]
+
[[Category:Information Theory: Exercises|^1.3 Natural Discrete Sources^]]

Latest revision as of 14:07, 10 August 2021

Two synthetically generated text files

With the Windows programme  "Discrete-Value Information Theory"  from the Chair of Communications Engineering at the TU Munich

  • one can determine the frequencies of character triplets such as  "aaa",  "aab", ... ,  "xyz", ...  from a given text file  "TEMPLATE"  and save them in an auxiliary file,
  • then create a file  "SYNTHESIS"  whereby the new character is generated from the last two generated characters and the stored triple frequencies.


Starting with the German and English Bible translations, we have thus synthesised two files, which are indicated in the graphic:

  • File 1  (red border),
  • File 2  (green border).


It is not indicated which file comes from which template.  Determining this is your first task.

The two templates are based on the natural alphabet  (26  letters)  and the "Blank Space"  ("BS")   ⇒   M=27.  In the German Bible, the umlauts have been replaced, for example "ä"   ⇒   "ae".


  File 1  has the following characteristics:

  • The most frequent characters are  "BS"  with  19.8%, followed by  "e"  with  10.2%  and  "a"  with  8.5%.
  • After  "BS",  "t"  occurs most frequently with  17.8%.
  • Before  "BS",  "d"  is most likely.
  • The entropy approximations in each case with the unit  "bit/character"  were determined as follows:
H0=4.76,H1=4.00,H2=3.54,H3=3.11,H4=2.81.

In contrast, the analysis of  File 2:

  • The most frequent characters are  "BS"  with  17.6%  followed by  "e"  with  14.4%  and  "n"  with  8.9%.
  • After  "BS",  "d"  is most likely  (15.1%)  followed by  "s"  with  10.8%.
  • After  "BS"  and  "d",  the vowels  "e"  (48.3%),  "i"  (23%)  and  "a"  (20.2%)  are dominant.
  • The entropy approximations differ only slightly from those of  File 1.
  • For larger  k–values, these are slightly larger, for example  H3=3.17  instead of  H3=3.11.




Hints:


Questions

1

Which templates were used for the text synthesis shown here??

File 1  (red) is based on an English template.
File 1  (red) is based on a German template.

2

Compare the mean word lengths of  File 1  and  File 2.

The words of the  "English"  file are longer on average.
The words of the  "German"  file are longer on average.

3

Which statements apply to the entropy approximations?

"TEMPLATE"  and  "SYNTHESIS"  provide a nearly equal  H1.
"TEMPLATE"  and  "SYNTHESIS"  provide a nearly equal  H2.
"TEMPLATE"  and  "SYNTHESIS"  provide a nearly equal  H3.
"TEMPLATE"  and  "SYNTHESIS"  provide a nearly equal  H4.

4

Which statements are true for the  "English"  text?

Most words begin with  "t".
Most words end with  "t".

5

Which statements could be true forthe  "German"  texts?

After  "de",  "r"  is most likely.
After  "da",  "s"  is most likely.
After  "di",  "e"  is most likely.


Solution

(1)  The correct solution is suggestion 1.

  • In  File 1  you can recognise many English words, in  File 2  many German words.
  • Neither text makes sense.


(2)  Correct is suggestions 2. The estimations of Shannon and Küpfmüller confirm our result:

  • The probability of a blank space  "BS"  in  File 1  (English)  19.8%
  • So on average every  1/0.198=5.05–th character is  "BS".  
  • The average word length is therefore
LM=10.19814.05characters.
  • Correspondingly, for  File 2  (German):
LM=10.17614.68characters.


(3)  The first three statements are correct, but not statement  (4):

  • To determine the entropy approximation  Hk  ,  k–tuples must be evaluated, for example, for  k=3  the triples   "aaa",  "aab",   ....
  • According to the generation rule "New character depends on the two predecessors",  H1H2  and  H3  of  "TEMPLATE"  and  "SYNTHESIS"  will match,
    but only approximately due to the finite file length.
  • In contrast, the  H4  approximations differ more strongly because the third predecessor is not taken into account during generation.
  • It is only known that  H4<H3  must also apply with regard to "SYNTHESIS".


(4)  Only statement 1 is correct here:

Occurrence of "...the..." in the English text
  • After a  "BS"  (beginning of a word),  "t" follows with  17.8%, while at the end of a word  (before a space),  "t"  occurs only with the frequency  8.3%.
  • Overall, the probability of  "t"  averaged over all positions in the word is  7.4%.
  • The third letter after  "BS"  and  "t"  is  "h"  with almost  82%  and after  "th",  "e"  is most likeky with  62%.
  • This suggests that  "the"  occurs more often than average in an English text and thus also in the synthetic  File 1, as the following graph shows.
  • But  "the"  does not occur in isolation in all marks   ⇒   immediately preceded and followed by a space.
Occurrence of  "der",  "die",  "das"  in the German text


(5)  All statements are true:

  • After  "de",  "r"  is indeed most likely  (32.8%),  followed by  "n"  (28.5%),  "s"  (9.3%)  and  "m"  (9.7%).
  • This could be responsible for  "der",  "den",  "des"  und  "dem".
  • "da"  is most likely followed by  "s"  (48.2%).
  • After  "di"  follows  "e"  with the highest probability   (78.7%).


The graph shows  File 2  with all occurrences of  "der",  "die",  "das".