吸引子矩阵和鞍点矩阵可以用神经网络二分类吗？
制作一个4*4*2结构的神经网络，向这个网络输入吸引子并让这个网络向1，0收敛
将这个网络简单表示成
s（c）-4-4-2-（2*k）,k∈(0,1)
用同样的办法制作一个4*4*2的网络向这个网络输入鞍点，并让这个网络向0，1收敛将这个网络表示成
s（a）-4-4-2-（2*k）,k∈(0,1)
现在用这两个网络组成一个网络，并让4*4*2部分的权重共享，前面大量实验表明这种效果相当于将两个弹性系数为k1，k2的弹簧并联成一个弹性系数为k的弹簧，并且让k1=k2=k/2的过程。
将这个网络简写成
d2（c，a）-4-4-2-（2*k）,k∈(0,1)
这个网络的收敛标准是
if (Math.abs(f2[0]-y[0])< δ && Math.abs(f2[1]-y[1])< δ )
因为对应每个收敛标准δ都有一个特征的迭代次数n与之对应因此可以用迭代次数曲线n(δ)来评价网络性能。
本文尝试了δ从0.5到1e-7在内的35个值.
|
具体进样顺序 |
|||
|
进样顺序 |
迭代次数 |
||
|
δ=0.5 |
|||
|
c |
1 |
判断是否达到收敛 |
|
|
a |
2 |
判断是否达到收敛 |
|
|
梯度下降 |
|||
|
c |
3 |
判断是否达到收敛 |
|
|
a |
4 |
判断是否达到收敛 |
|
|
梯度下降 |
|||
|
…… |
|||
|
达到收敛标准测量准确率,记录迭代次数，将这个过程重复199次 |
|||
|
δ=0.4 |
|||
|
… |
|||
|
δ=1e-7 |
|||
其中吸引子为
Random rand1 =new Random();
int ti1=rand1.nextInt(98)+1;
x[0]=((double)ti1/100);
Random rand2 =new Random();
int ti2=rand2.nextInt(98)+1;
x[3]=((double)ti2/100);
鞍点为
Random rand1 =new Random();
int ti1=rand1.nextInt(98)+1;
x[0]=1+((double)ti1/100);
Random rand2 =new Random();
int ti2=rand2.nextInt(98)+1;
x[3]=((double)ti2/100);
|
f2[0] |
f2[1] |
迭代次数n |
平均准确率p-ave |
δ |
耗时ms/次 |
耗时ms/199次 |
耗时 min/199 |
|
0.4973738 |
0.5790926 |
102.78392 |
0 |
0.5 |
1.1407035 |
227 |
0.0037833 |
|
0.3882091 |
0.604727 |
656.61809 |
0 |
0.4 |
1.5728643 |
313 |
0.0052167 |
|
0.6141019 |
0.3955552 |
981.76382 |
0 |
0.3 |
2.7386935 |
546 |
0.0091 |
|
0.8300665 |
0.1785641 |
1123.7638 |
0 |
0.2 |
2.7336683 |
545 |
0.0090833 |
|
0.9184898 |
0.0878419 |
1405.7337 |
0 |
0.1 |
2.8090452 |
559 |
0.0093167 |
|
0.9919032 |
0.008539 |
2632.1055 |
0 |
0.01 |
5.8894472 |
1203 |
0.02005 |
|
0.9991512 |
8.69E-04 |
5691.7337 |
0 |
0.001 |
14.080402 |
2802 |
0.0467 |
|
0.999917 |
8.38E-05 |
15195.593 |
0 |
1.00E-04 |
27.753769 |
5523 |
0.09205 |
|
0.9999257 |
7.47E-05 |
15284.769 |
0 |
9.00E-05 |
25.21608 |
5018 |
0.0836333 |
|
0.9999339 |
6.64E-05 |
16076.286 |
0 |
8.00E-05 |
27.080402 |
5405 |
0.0900833 |
|
0.9999425 |
5.78E-05 |
16793.824 |
0 |
7.00E-05 |
26.788945 |
5331 |
0.08885 |
|
0.9999502 |
5.00E-05 |
17768.357 |
0 |
6.00E-05 |
28.351759 |
5642 |
0.0940333 |
|
0.9999595 |
4.07E-05 |
18253.603 |
0 |
5.00E-05 |
29.190955 |
5824 |
0.0970667 |
|
0.9999668 |
3.34E-05 |
20081.362 |
0 |
4.00E-05 |
31.723618 |
6313 |
0.1052167 |
|
0.9999752 |
2.50E-05 |
21984.236 |
0 |
3.00E-05 |
35.281407 |
7022 |
0.1170333 |
|
0.9999841 |
1.60E-05 |
24490.99 |
0 |
2.00E-05 |
39.316583 |
7824 |
0.1304 |
|
0.999992 |
8.01E-06 |
28248.005 |
0 |
1.00E-05 |
46.040201 |
9162 |
0.1527 |
|
0.9999928 |
7.18E-06 |
29563.402 |
0 |
9.00E-06 |
48.567839 |
9665 |
0.1610833 |
|
0.9999936 |
6.39E-06 |
29501.603 |
0 |
8.00E-06 |
47.336683 |
9435 |
0.15725 |
|
0.9999944 |
5.66E-06 |
30280.618 |
0 |
7.00E-06 |
49.592965 |
9869 |
0.1644833 |
|
0.9999953 |
4.71E-06 |
32122.377 |
0 |
6.00E-06 |
51.748744 |
10298 |
0.1716333 |
|
0.9999961 |
3.92E-06 |
33773.653 |
0 |
5.00E-06 |
54.944724 |
10934 |
0.1822333 |
|
0.9999969 |
3.12E-06 |
34983.06 |
0 |
4.00E-06 |
56.954774 |
11334 |
0.1889 |
|
0.9999976 |
2.37E-06 |
37436.166 |
0 |
3.00E-06 |
60.236181 |
11988 |
0.1998 |
|
0.9999984 |
1.58E-06 |
41540.487 |
0 |
2.00E-06 |
71.80402 |
14291 |
0.2381833 |
|
0.9999992 |
7.91E-07 |
46298.869 |
0 |
1.00E-06 |
74.346734 |
14795 |
0.2465833 |
|
0.9999993 |
6.95E-07 |
47482.819 |
0 |
9.00E-07 |
78.949749 |
15711 |
0.26185 |
|
0.9999994 |
6.09E-07 |
50850.447 |
0 |
8.00E-07 |
81.653266 |
16249 |
0.2708167 |
|
0.9999995 |
5.44E-07 |
50078.759 |
0 |
7.00E-07 |
79.849246 |
15890 |
0.2648333 |
|
0.9999995 |
4.55E-07 |
53463.724 |
0 |
6.00E-07 |
85.266332 |
16968 |
0.2828 |
|
0.9999996 |
3.84E-07 |
54474.839 |
0 |
5.00E-07 |
88.100503 |
17549 |
0.2924833 |
|
0.9999997 |
3.09E-07 |
55232.638 |
0 |
4.00E-07 |
87.738693 |
17460 |
0.291 |
|
0.9999998 |
2.32E-07 |
59315.241 |
0 |
3.00E-07 |
93.527638 |
18612 |
0.3102 |
|
0.9999999 |
1.47E-07 |
62487.734 |
0 |
2.00E-07 |
97.663317 |
19435 |
0.3239167 |
|
0.9999999 |
7.58E-08 |
70304.487 |
0 |
1.00E-07 |
114.0804 |
22702 |
0.3783667 |
迭代次数随着δ的减小不断增加。
可以很合理假设两个微观粒子在碰到一起的时候一定要相互区分对方，就向在吸引子和鞍点之间有一种力随着两个分类对象的接近而增加；或者也可以理解成两个对象之间的力之所以随着距离的减小而增加是因为两个对象在任意小的精度上的差别都在变小，但两个对象的差别在任意小的精度上一直存在。
如果假设每张图片相对神经网络都有两个属性分别是频率和质量，频率和点的分布有关，而质量和点的数值大小有关。而排斥子和鞍点就是两条对角线。他们能被分类从数据上证明了图片相对神经网络存在一种与分布无关的属性可以实现彼此区别。
实验参数
|
学习率 0.1 |
|
权重初始化方式 |
|
Random rand1 =new Random(); |
|
int ti1=rand1.nextInt(98)+1; |
|
tw[a][b]=xx*((double)ti1/100); |
吸引子
鞍点
吸引子矩阵和鞍点矩阵可以用神经网络二分类吗？相关推荐
- 用神经网络二分类理论重述双原子化合物的成键过程
电子是物质的共有成分,物质的化学性质完全由核外电子决定. 一个化合物的化学性质也当然的仅由核外电子决定,因此核外电子应该携带了实现成键原子彼此分类的全部信息. 比如Na和Cl成键,形成了一个公共的电子 ...
- 用神经网络二分类人脑与电脑
如果一个对象A,无论与B或C分类,分类的准确率都是50%,则A为一个具有智慧的对象. 用符号表示 ∵ (A,B)-n*m*k-(1,0)(0,1) 50%:50% ① (A,C)-n* ...
- 神经网络二分类问题范例,神经网络解决分类问题
求运用BP神经网络算法处理分类问题的源程序,例如输入蚊子的翼长和触角长,输出蚊子类型与此类似的源程序 30 这种分类的案例很多,附件里面就有这类案例.主要还是要形成样本,输入输出都做好,进行训练,训练 ...
- 用神经网络二分类吸引子与排斥子
制作一个4*4*2结构的神经网络,向这个网络输入吸引子并让这个网络向1,0收敛 将这个网络简单表示成 s(c)-4-4-2-(2*k),k∈(0,1) 用同样的办法制作一个4*4*2的网络向这个网络输 ...
- 二分类排斥子和鞍点的准确率的表达式pa
r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p >1 <1 鞍点 a <1 >1 反鞍点 fa 本文制作一个二分类网络用来分类p和a ...
- 【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)
文章目录 混淆矩阵 召回率与准确率 准确度Accuracy sklearn代码示例 混淆矩阵 混淆矩阵(Confusion Matrix):将分类问题按照真实情况与判别情况两个维度进行归类的一个矩阵, ...
- ANN神经网络分类2*2矩阵：吸引子和反鞍点cfa-cp
用吸引子和反鞍点做训练集用排斥子和吸引子做测试集,通过改变测试集吸引子和排斥子的比例观察分类效果,并总结规律. r1 r2 <1 <1 吸引子 c >1 >1 排斥子 ...
- 二分类吸引子和鞍点的准确率的表达式ca
r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p >1 <1 鞍点 a <1 >1 反鞍点 fa 制作一个二分类网络用来分类c和a,通 ...
- 神经网络的分类准确率到底是一个什么物理量
r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p >1 <1 鞍点 a <1 >1 反鞍点 fa 用p,a做训练集,用来分类c 可能有 ...
最新文章
- 数据结构-双向链表的实现
- Java的知识点28——线程的生命周期
- 实例学习SSIS（一）--制作一个简单的ETL包
- 12-多对一添加操作（添加新客户及对应的新订单）
- ExtJs十(ExtJs Mvc用户管理之二)
- jQuery中的join方法
- vue-router 中踏过的坑
- 《计算机网络》谢希仁第七版课后答案完整版
- RN 入门(二)—基础知识
- CSS指北——浮动(Floating)规则详解
- uni-app学习(九)：computed
- MT7628K eCos开发入门
- SpringBoot-RSA加密
- 拉普拉斯矩阵（Laplacian matrix）及其变体详解
- 基于pikachu漏洞平台的 --SQL注入攻击学习与总结
- 无线传感器网络的时钟同步估计问题（Matlab代码实现）
- 汇编指令: JO、JNO、JB、JNB、JE、JNE、JBE、JA、JS、JNS、JP、JNP、JL、JNL、JNG、JG、JCXZ、JECXZ、JMP、JMP...
- 谷歌浏览器不使用独立显卡
- 阿里云服务器+MobaXtern+Anaconda
- 需求治理如何实施(二)