《《漢字輸入編碼》PPT課件.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《《漢字輸入編碼》PPT課件.ppt（41頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

第四章漢字編碼技術(shù),延邊大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系,漢字編碼的概念,從廣義角度看字典/詞典編碼方法，用于在字典和詞典中的快速定位，常見的方法：部首、筆畫、拼音和四角號(hào)碼等從狹義角度看漢字鍵盤編碼，用計(jì)算機(jī)鍵盤上的按鍵為漢字編碼漢字編碼的概念計(jì)算機(jī)通信技術(shù)領(lǐng)域?qū)λ幚硇畔⒌淖址?hào)序列的排序原則和低嗎賦值方式，簡(jiǎn)稱“機(jī)內(nèi)碼”，包括存儲(chǔ)碼、處理碼、傳輸碼等計(jì)算機(jī)鍵盤輸入漢字的代碼設(shè)計(jì)與實(shí)現(xiàn)，簡(jiǎn)稱“外碼”或“人機(jī)界面編碼”，用一套字母數(shù)字代碼輸入漢字,漢語詞典常用檢字方法之一，用最多5個(gè)阿拉伯?dāng)?shù)字來對(duì)漢字進(jìn)行歸類。四角號(hào)碼檢字法由王云五發(fā)明，他并在1925年5月著《號(hào)碼檢字法》由商務(wù)印書館出版。四角號(hào)碼檢字法用數(shù)字0到9表示一個(gè)漢字四角的十種筆形，有時(shí)在最后增加一位補(bǔ)碼。,四角號(hào)碼編碼方法,橫一垂二三點(diǎn)捺叉四插五方框六七角八八九是小點(diǎn)下有橫變零頭舉例：端先取左上角0，其次取右上角2再取左下角1，最后取右下角2，端=0212。,四角號(hào)碼取角方法,取角方法（1）一筆可以分角取號(hào)。例：以左邊是一筆，上取為2，下取為7。（2）一筆的上下兩段和別筆構(gòu)成兩種筆形的，分兩角取號(hào)。例：水左邊，上取1，下取9。（3）下角筆形偏在一角的，按實(shí)際位置取號(hào)，缺角作0。例：妒右下角缺，取為0。（4）凡外圍是“口、門（門）”的三類字，左右兩下角改取里面的筆形。例：田=6040。（5）一個(gè)筆形，前角已經(jīng)用過，后角作0。例：王左上角為一橫，取1，右上角因?yàn)榍懊嬉呀?jīng)用過，所以取0。附號(hào)（1）四角號(hào)碼字較多時(shí)，再取靠近右下角（第四角）上方一個(gè)筆形作“附號(hào)”，如果這一筆形已被右上角用過，則作0。（2）四角和“附號(hào)”相同的字，照各字所含橫筆數(shù)目，順序排列。取角注意項(xiàng)（1）角形有兩單筆或一單筆一復(fù)筆的，不論高低，一律取最左或最右的筆形。（2）有兩復(fù)筆可取的，在上角取較高的的復(fù)筆，在下取較低的復(fù)筆。（3）當(dāng)中起筆的撇，下角有他筆的，取他筆作下角，但左邊起筆的撇，取撇筆作角。,漢字編碼的發(fā)展,20世紀(jì)70年代起步階段，拼音編碼、五筆字形、自然碼等，效率較低20世紀(jì)80年代中期轟轟烈烈的“大躍進(jìn)”式編碼活動(dòng)，但沒有什么發(fā)展20世紀(jì)90年代蕭條期進(jìn)入21世紀(jì)后將是又一個(gè)發(fā)展期，數(shù)字編碼方案將占主導(dǎo),漢字編碼中的幾個(gè)概念（1）,字符集/字匯和詞匯字符集/字匯多/少詞匯多/少特指某個(gè)編碼方案編碼詞組的集合碼元組成輸入碼的字符集合稱為碼元。如拼音碼的碼元是“a”－“z”中的任意一個(gè)字母；縱橫碼的碼元是“0”－“9”中的任意一個(gè)數(shù)字。,縱橫碼的使用方法,由香港殷商周忠繼先生發(fā)明、推廣的一套以0-9十個(gè)數(shù)字進(jìn)行編碼的小鍵盤輸入法，它以片語/詞組作為主要輸入方式。一橫二豎三點(diǎn)捺，叉四插五方塊六，七角八八九是小，撇與左鉤都是零。單字取碼取碼次序：左上角、右上角、左下角、右下角取大不取小有重復(fù)筆形不取有邊取邊有角高優(yōu)先詞組取碼33規(guī)則：對(duì)二字詞組，取每字的頭3碼，若不足3碼，則有幾碼取幾碼，取完按數(shù)字鍵的9上面的“﹡”222規(guī)則：對(duì)三字詞組，取每字的頭2碼，若不足2碼，則有幾碼取幾碼，同上。2112規(guī)則：對(duì)四字詞組，詞首尾字各取頭2碼，中間每字各只取頭1碼，同上。21111規(guī)則：對(duì)多字詞組，第一字取頭2碼，第二至第五字各取頭1碼，余下若字不用取碼，同上。,漢字編碼中的幾個(gè)概念（2）,碼長(zhǎng)輸入碼的長(zhǎng)度稱為碼長(zhǎng)。如輸入碼“123”的碼長(zhǎng)為3等長(zhǎng)編碼，如區(qū)位碼等不等長(zhǎng)編碼，如拼音碼、縱橫碼等單碼和重碼一個(gè)編碼可能對(duì)應(yīng)多個(gè)漢字和詞組，那么這些漢字或詞組稱為重碼。一個(gè)編碼對(duì)應(yīng)的漢字和詞組只有一個(gè)時(shí)，稱該漢字和詞組為單碼。,漢字編碼中的幾個(gè)概念（3）,編碼空間和編碼效率所有可能的輸入碼集合，稱為編碼空間。編碼空間的大小依賴于碼元集合和碼長(zhǎng)。如某個(gè)編碼方案的碼元共有K個(gè)，編碼采用等長(zhǎng)碼，長(zhǎng)度為i，則編碼空間大小為：C=Ki，如區(qū)位碼的編碼空間大小為：C=104，即10000個(gè)。編碼效率簡(jiǎn)單而言是指編碼的字匯/詞匯除以編碼空間的大小。如區(qū)位碼，它的字匯大小為6763，則編碼效率為6773/10000＝67.73％。,漢字的墑(1)——信息量的概念,熵，在信息論里叫信息量。從控制論的角度來看，應(yīng)叫不確定性。最簡(jiǎn)單的是只有兩種可能性，非此即彼，我們以這種事物的信息量為單位，叫1比特（bit）。如果可能性數(shù)目有2的n次方（N=2n），那就是n比特，即信息量等于可能性數(shù)目N的“以2為底的對(duì)數(shù)”：H=㏒2N＝㏒N/㏒2。信息量應(yīng)按符號(hào)的可能性（數(shù)學(xué)上叫概率大小）來計(jì)算，它是概率的負(fù)對(duì)數(shù)。平均信息量就是它們的加權(quán)平均H=－∑pi㏒pi（1≤i≤n）（pi表示第i個(gè)字母的概率）文字信號(hào)的信息量H是信號(hào)個(gè)數(shù)n的以2為底的對(duì)數(shù)：H=㏒n/㏒2。英文有26個(gè)字母，每個(gè)字母的信息量H=㏒26/㏒2＝4.700。,各種語言的字母的信息量,法文3.98比特27個(gè)字母意大利文4.00比特21+5個(gè)字母西班牙文4.01比特27個(gè)字母英文4.03比特27個(gè)字母德文4.10比特26+4個(gè)字母羅馬尼亞文4.12比特俄文4.35比特37個(gè)字母中文9.65比特,漢字的墑(2)——漢字墑的概率分布,假設(shè)給定一個(gè)漢字字符集HZ，其中漢字?jǐn)?shù)為n，則該字符集的熵為H=－∑Pi㏒Pi（1≤i≤n）其中Pi為單個(gè)漢字在漢語文本中出現(xiàn)的概率，－㏒(Pi)是第i個(gè)漢字出現(xiàn)時(shí)的信息量，－∑㏒(Pi)是所有漢字在不考慮前后相關(guān)性時(shí)所給出的全部信息量。H是該集合中的每個(gè)漢字的平均信息量。,漢字的墑(3)——漢字墑的意義,平均信息量（信息熵）表示存儲(chǔ)或表示該漢字字符集所需要的二進(jìn)制位數(shù)（中文約為9.65bit）。根據(jù)每個(gè)漢字的平均熵，通過采用不等長(zhǎng)編碼可以提高漢字存儲(chǔ)和傳輸效率。信息量（信息熵）與字的使用頻度成反比。即頻度下降一半，其信息量增加1位。對(duì)漢字編碼而言，采用多于2個(gè)碼元時(shí)，漢字的平均熵也會(huì)下降。如：當(dāng)m=2時(shí)，Lmin?（3，4）當(dāng)m=47時(shí)Lmin?(1.73,2.73)不同領(lǐng)域，字的使用頻度不同，因此，對(duì)大系統(tǒng)內(nèi)的漢字信息熵的意義不大。,漢字鍵盤編碼的依據(jù)——心理依據(jù),從心理學(xué)角度來看，根據(jù)漢字音信息的漢字編碼，人在大腦中無需進(jìn)行任何的思考，就可以輸入漢字，所以說是最為直接的輸入方式。根據(jù)漢字形信息的漢字編碼，用戶在輸入時(shí)，大腦需要把語言轉(zhuǎn)換為字形，然后才能輸入，所以說是一種間接的輸入方式。漢字心理學(xué)和模糊心理學(xué)的研究表明，人認(rèn)字時(shí)上半部?jī)?yōu)于下半部，外圍優(yōu)于中間。從排列心理學(xué)角度來看，希望漢字的編碼能盡量唯一，并能盡量表達(dá)漢字的本身特征。,漢字鍵盤編碼的依據(jù)——漢語拼音,漢語拼音的語言形式有三個(gè)要素：聲母、韻母和聲調(diào)。三者構(gòu)成一個(gè)音節(jié)。其中聲母有21個(gè)，韻母有35個(gè)。聲調(diào)有五種：陰平、陽平、上聲、去聲和輕聲。聲韻結(jié)合起來有417個(gè)基本音節(jié)，如果考慮聲調(diào)，總共有1330個(gè)左右的音節(jié)。所有的計(jì)算機(jī)用漢字的發(fā)音都在這些音節(jié)范圍內(nèi)。這就是漢字同音字/詞多的根本所在。如在GBK中，拼音“yi”有個(gè)460多個(gè)對(duì)應(yīng)的漢字。同樣也存在大量的同音詞。這就造成重碼多和輸入不方便。這是以音作為編碼要素存在的主要問題。,漢字鍵盤編碼的依據(jù)——漢字部件,漢字的字形分為三級(jí)：筆畫、漢字部件（如偏旁部首）和整字。由筆畫構(gòu)成漢字部件，由漢字部件構(gòu)成整字。絕大多數(shù)根據(jù)漢字字形的編碼方案基本上是基于部件的編碼，如“五筆”、“表形碼”等。基于部件的漢字編碼需要解決的問題是：漢字如何拆分？用漢字部件編碼的最大問題是部件的規(guī)范問題。,漢字鍵盤編碼的依據(jù)——筆畫/筆順,筆畫/筆順編碼是選取漢字的基本筆畫（如五種或八種），把筆畫定義到漢字的數(shù)字鍵和字母鍵上，然后依筆順或漢字的筆順來給漢字編碼。筆畫輸入近年來受到了特別的重視，主要是手機(jī)迅速普及所致。筆畫輸入的優(yōu)勢(shì)在于簡(jiǎn)單，無需學(xué)習(xí)和記憶。筆畫輸入的困難在于單字輸入重碼多、詞組輸入效率低、句子輸入則困難。,漢字編碼的分類——流水碼,將漢字按照一定順序排列后，給每個(gè)漢字以一個(gè)特定的順序號(hào)，形成的漢字編碼稱為流水碼，也稱無理碼或順序碼。一個(gè)現(xiàn)成的順序就是漢字內(nèi)碼的排列順序，區(qū)位碼和內(nèi)碼就是其中的兩個(gè)實(shí)例。流水碼的好處在于編碼與漢字一一對(duì)應(yīng)，絕無重碼。缺點(diǎn)是編碼無規(guī)律，記憶難度大，不易掌握。,漢字編碼的分類——音碼,音碼是以漢字的發(fā)音為基礎(chǔ)的一種漢字編碼，一般以《漢語拼音方案》為藍(lán)本進(jìn)行設(shè)計(jì)。如智能ABC、全拼、雙拼、微軟拼音、紫光拼音等。音碼的最大好處是簡(jiǎn)單易學(xué)。音碼的缺點(diǎn)：漢字同音字太多，檢索同音字使?jié)h字輸入速度大大減慢。目前音碼仍然是使用最廣泛的編碼，幾乎96%以上的用戶采用音碼。值得一提的是：音碼本身也在揚(yáng)長(zhǎng)避短，作了許多有益的改進(jìn)。,漢字編碼的分類——形碼,形碼是依漢字的字形來編碼的。如五筆字型、筆形碼、大眾碼等。形碼有效地避免了按發(fā)音輸入的缺陷，重碼率也相對(duì)較低，為實(shí)現(xiàn)漢字的盲打提供了可能，成為專業(yè)人員的首選漢字輸入碼。形碼的部件多，分布廣，記憶起來較難，同時(shí)須經(jīng)過較長(zhǎng)時(shí)間的學(xué)習(xí)訓(xùn)練才能熟練掌握。,漢字編碼的分類——音形碼/形音碼,音形碼/形音碼兼顧漢字的讀音、字形兩方面的特點(diǎn)進(jìn)行混合編碼。音形碼在兼有音碼和形碼二者之長(zhǎng)的同時(shí)，也兼有二者的一些弱點(diǎn)。音形碼在輸入時(shí)既考慮漢字的讀音又考慮漢字的寫法，人需要思考的時(shí)間也會(huì)增多，造成輸入時(shí)的瓶頸。,海曼（Hyman）公式與漢字編碼時(shí)間,海曼公式的一般形式為：T＝a十bH(K)其中，T為平均選擇反應(yīng)時(shí)間，K是選擇信號(hào)的個(gè)數(shù)，H(K)為每一個(gè)信號(hào)的平均信息量，a和b是系數(shù)。漢字編碼時(shí)間的公式：T=a十blog2K十Ca為大腦發(fā)出指令沖動(dòng)到肌肉動(dòng)作所需時(shí)間，即擊鍵時(shí)間；blog2K理解為“選擇時(shí)間與信息量成正比”的適用條件下，選擇等概率鍵位所需時(shí)間的一種可采用的表達(dá)方式；C代表一個(gè)碼元的平均“編碼時(shí)間”，反應(yīng)了思維時(shí)間和檢索時(shí)間的長(zhǎng)短。,鍵盤分區(qū)圖,,大鍵盤編碼,如果一種編碼的碼元集合為“a”－“z”這26個(gè)字母或它的子集，那么我們稱這種碼元的鍵盤映射方式為大鍵盤編碼。如全拼和智能ABC等拼音編碼、五筆、鄭碼等等。各種拼音編碼一般都是采用大鍵盤編碼。形碼也有采用大鍵盤的，如五筆就是一個(gè)典型的例子。一般采用大鍵盤的碼長(zhǎng)在3－4之間，平均碼長(zhǎng)一般不能超過4。,小鍵盤編碼,采用鍵盤右邊的數(shù)字區(qū)的“0”－“9”這10個(gè)數(shù)字進(jìn)行編碼的方法稱為小鍵盤編碼。如區(qū)位、縱橫、字原、五筆數(shù)碼等均是小鍵盤編碼。采用小鍵盤編碼的以形碼居多，音碼也有但不多。形碼一般都采用筆畫編碼。音碼在計(jì)算機(jī)小鍵盤上應(yīng)用很少，主要是用在數(shù)碼產(chǎn)品上，如手機(jī)、電話、遙控器等。實(shí)現(xiàn)時(shí)一般把26個(gè)英文字母映射到10個(gè)數(shù)字按鍵上。,縱橫碼的鍵位圖,字母數(shù)字映射圖,大大鍵盤編碼,大大鍵盤編碼是指編碼的碼元不僅是大鍵盤上的26個(gè)字母，還包括10個(gè)數(shù)字和部分的其它符號(hào)。這種編碼方案早期很多，如字元編碼、錢碼、陸碼、綠色拼形等。早期出現(xiàn)這樣的編碼方法主要是可以增加編碼空間，從而降低重碼率，實(shí)現(xiàn)快速輸入。這種編碼方案已經(jīng)很少了，主要是因?yàn)檫@種方案具有不易學(xué)和難記等缺陷。,綠色拼形編碼的鍵位分布圖,小小鍵盤編碼,小小鍵盤編碼是指只用5個(gè)數(shù)字來編碼，也就是碼元數(shù)只有5個(gè)。小小鍵盤編碼方案主要是應(yīng)用在手機(jī)等數(shù)碼設(shè)備上，幾乎所有的手機(jī)筆形編碼均是采用小小鍵盤編碼。,Nokia筆畫輸入法小小鍵盤圖,數(shù)碼鍵盤方案,所謂的漢字?jǐn)?shù)碼是指用“0”到“9”十個(gè)數(shù)字對(duì)漢字的單字和詞組進(jìn)行編碼，使得只用小鍵盤就可以完成漢字的輸入，并可移植到手機(jī)以及各類PDA產(chǎn)品上使用。,縱橫碼,在縱橫漢字編碼方案中，把筆形分為10類，分別用“0”到“9”這10個(gè)數(shù)字表示。筆形與數(shù)字代碼的關(guān)系可通過下列口訣記憶：“一橫二豎三點(diǎn)捺，叉四插五方塊六。七角八八九是小，撇與左鉤都是零。”取碼規(guī)則是將漢字看成一個(gè)方塊字，取漢字四個(gè)角的筆形為有關(guān)編碼。部分漢字的取碼實(shí)例：人（8）中（5）十（4）重（01）要（14）喜（46）事（50）,五筆數(shù)碼,五筆數(shù)碼按照筆畫進(jìn)行編碼。筆畫分為“橫”、“豎”、“撇”、“捺”、“折”五種，分別用“1”、“2”、“3”、“4”、“5”作為代碼。下表為基本筆畫代碼表：,,,6鍵6碼鍵盤圖,9鍵9碼鍵盤圖,統(tǒng)一碼,該方案取5種基本筆畫：“橫（一）”（含“提”）、“豎（丨）”（含“豎勾”）、“撇（丿）”（包括“啄”）、“點(diǎn)（丶）”（含“捺”）和“折（乙）”（包括左折和右折），并且將這五種筆畫賦予順序值“1”－“5”。數(shù)字統(tǒng)一碼將漢字結(jié)構(gòu)歸納概括為四種基本結(jié)構(gòu)。它們是：上下結(jié)構(gòu)，左右結(jié)構(gòu)，包圍結(jié)構(gòu)，嵌套結(jié)構(gòu)。同時(shí)規(guī)定一個(gè)漢字可以取一至六碼。字445576各359251右689,左右數(shù)碼,利用數(shù)字來表示漢字的筆劃、拼音和部件，其特征是將左右（含左中右）結(jié)構(gòu)的漢字定義為“左右字”，再按書寫順序把“左右字”分為“左部”與“右部”。如下表所示：把“左右字”以外的漢字都定義為“整體字”。根據(jù)規(guī)則進(jìn)行數(shù)字編碼。,漢字編碼國(guó)家標(biāo)準(zhǔn),,,國(guó)家語委的規(guī)范,,,與漢字編碼有關(guān)的標(biāo)準(zhǔn)與規(guī)范說明,在編碼字符集方面在鍵位設(shè)置方面在標(biāo)點(diǎn)符號(hào)方面在部件規(guī)范方面在筆順規(guī)范方面,漢字鍵盤編碼和輸入系統(tǒng)的性能指標(biāo),易學(xué)性“學(xué)會(huì)使用漢字編碼輸入系統(tǒng)的時(shí)間應(yīng)盡量短，并應(yīng)符合使用漢語作為母語的使用者的思維習(xí)慣”。GB/T18031對(duì)數(shù)字編碼更進(jìn)一步提出要求：“做到上手能用”。漢字輸入平均碼長(zhǎng)重碼字詞鍵選率,,,,