验算神经网络谐振子模型的第二组数据
验算用二分类神经网络估算多分类神经网络迭代次数n和收敛误差δ的经验关系式
这次同样统计了11个网络，包括6个二分类网络(0,1),(0,2),(0,3) ,(1,2) ,(1,3) ,(2,3),4个三分类网络(0,1,2), (0,1,3), (0,2,3), (1,2,3)和1个4分类网络(0,1,2,3).所不同的是这次用的是11*11的图片。隐藏层节点数是30个，网络结构为
统计了0.5到1e-5共25个收敛误差，每个收敛误差测量199次，计算迭代次数的平均值，参数设置方案
static double ret=0.1; //学习率
static double weix=1000;
在收敛误差一致的前提下得到的数据为
|
0*1 |
0*2 |
0*3 |
1*2 |
1*3 |
2*3 |
0*1*2 |
0*1*3 |
0*2*3 |
1*2*3 |
0*1*2*3 |
|
|
δ |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
|
0.5 |
7.658291 |
7.180905 |
7.98995 |
9.145729 |
7.854271 |
9.065327 |
100.407 |
106.196 |
145.1307 |
162.2462 |
326.7638 |
|
0.4 |
107.5628 |
149.9598 |
153.0804 |
144.1508 |
141.005 |
170.6985 |
331.3668 |
335.9347 |
421.0704 |
440.2412 |
721.9246 |
|
0.3 |
137.3467 |
191.2613 |
198.5276 |
181.5829 |
187.804 |
223.0302 |
414.7839 |
409.191 |
492.196 |
543.7186 |
823.9698 |
|
0.2 |
175.3015 |
221.4774 |
235.8794 |
219.7186 |
242.5176 |
272.9347 |
555.6633 |
597.0603 |
588.7236 |
629.2362 |
1083.603 |
|
0.1 |
221.8141 |
274.1859 |
298.402 |
300.6935 |
301.6834 |
347.3467 |
842.0503 |
807.1106 |
741.4422 |
795.804 |
1551.894 |
|
0.01 |
516.5276 |
549.3367 |
574.8442 |
577.8894 |
512.593 |
708.6683 |
1739.437 |
1718.91 |
1876.834 |
1948.417 |
3845.523 |
|
0.001 |
1715.186 |
1396.06 |
1371.965 |
1237.156 |
1470.477 |
1611.97 |
5517.618 |
5596.447 |
6646.884 |
6018.06 |
14272.66 |
|
9.00E-04 |
1793.854 |
1476.01 |
1392.015 |
1257.367 |
1490.608 |
1649.337 |
6249.704 |
6054.251 |
7209.432 |
6864.397 |
15653.62 |
|
8.00E-04 |
1849.462 |
1584.503 |
1424.432 |
1293.899 |
1560.729 |
1670.714 |
6943.226 |
6525.894 |
7979.347 |
8011.693 |
17548.21 |
|
7.00E-04 |
1992.854 |
1821.241 |
1476.99 |
1335.055 |
1666.693 |
1699.688 |
7463.02 |
7105.452 |
8773.754 |
9691.387 |
20475.94 |
|
6.00E-04 |
2199.874 |
2032.91 |
1550.196 |
1481.719 |
1922.759 |
1730.899 |
8305.452 |
8406.362 |
9861.97 |
11980.4 |
23457.43 |
|
5.00E-04 |
2465.241 |
2252.844 |
1706.925 |
1690.965 |
2230.563 |
1816.281 |
10042.53 |
10061.64 |
11079.37 |
14170.71 |
27144.43 |
|
4.00E-04 |
2700.749 |
2398.352 |
1956.995 |
1899.246 |
2450.467 |
1984.548 |
12510.08 |
12423.29 |
13147.52 |
18091.9 |
30729.05 |
|
3.00E-04 |
3409.794 |
2595.955 |
2258.196 |
2176.151 |
2828.312 |
2249.307 |
15432.62 |
14539.76 |
15630.1 |
22257.08 |
36344.84 |
|
2.00E-04 |
4697.849 |
3333.241 |
3280.136 |
3429.779 |
3950.879 |
2811.397 |
20695.39 |
17663.18 |
19632.18 |
29997.2 |
47360.86 |
|
1.00E-04 |
5720.523 |
5329.407 |
4995.824 |
5190.538 |
6355.276 |
8262.528 |
32783.53 |
31727.12 |
31181.01 |
42632.25 |
71855.67 |
|
9.00E-05 |
6267.256 |
5674.975 |
5439.764 |
5227.673 |
7115.095 |
9929.201 |
34601.95 |
33933.1 |
32990.93 |
46021.2 |
75395.2 |
|
8.00E-05 |
7108.06 |
6059.955 |
5798.221 |
5408.719 |
8040.196 |
12154.21 |
37459.96 |
37377.31 |
33980.8 |
48427.32 |
80703.34 |
|
7.00E-05 |
7949.99 |
6618.236 |
6356.955 |
5627.955 |
9393.97 |
14009.3 |
40344.16 |
40377.47 |
35928.17 |
51737.93 |
87493.71 |
|
6.00E-05 |
8649.397 |
7186.98 |
7000.035 |
6146.859 |
9737.96 |
15939.2 |
43516.6 |
43889.91 |
38389.49 |
55812.1 |
94452.1 |
|
5.00E-05 |
10822.58 |
7928.839 |
7895.312 |
8069.362 |
10185.26 |
17929.13 |
46624.09 |
46996.8 |
42460.77 |
60497.78 |
107191.2 |
|
4.00E-05 |
13707.5 |
9506.08 |
9301.462 |
10232.92 |
11185.84 |
20232.03 |
51985.67 |
50822.04 |
46892.28 |
67810.1 |
123258.8 |
|
3.00E-05 |
14857.76 |
12761.77 |
10899.54 |
10913 |
14982.67 |
22280.96 |
60292.16 |
58752.41 |
51561.68 |
76704.28 |
138033.5 |
|
2.00E-05 |
15723.82 |
17539.03 |
13536.82 |
12054.83 |
20858.32 |
24163.66 |
70154.87 |
69790.08 |
58804.32 |
93506.7 |
172970.7 |
|
1.00E-05 |
25435.2 |
23741.71 |
24120.64 |
14911.19 |
32801.64 |
29417.9 |
89878.83 |
89167.63 |
74352.3 |
126825.9 |
237208.6 |
经拟合得到
|
11*11 |
0*1 |
36.916898197096046*δ**-0.5628401452873982 |
|||||||||
|
0.9833906458591285 ****** 决定系数 r**2 |
|||||||||||
|
0*2 |
45.77503673337746*δ**-0.5220542727902084 |
||||||||||
|
0.9353104932989644 ****** 决定系数 r**2 |
|||||||||||
|
0*3 |
48.298055478642326*δ**-0.5057114058999935 |
||||||||||
|
0.9019987405496206 ****** 决定系数 r**2 |
|||||||||||
|
1*2 |
49.00995388262112*δ**-0.4961181916717476 |
||||||||||
|
0.9553825211292994 ****** 决定系数 r**2 |
|||||||||||
|
1*3 |
43.12892612498791*δ**-0.5454667033313928 |
||||||||||
|
0.9063025601235393 ****** 决定系数 r**2 |
|||||||||||
|
2*3 |
46.548201619862056*δ**-0.5558858453616066 |
||||||||||
|
0.8703614211691612 ****** 决定系数 r**2 |
|||||||||||
|
a |
计算值/实验值 |
b |
计算值/实验值 |
||||||||
|
11*11 |
0*1*2 |
151.73096129839246*δ**-0.567287416362122 |
130 |
0.860927 |
0.56 |
0.987654 |
|||||
|
0.9717737321593617 ****** 决定系数 r**2 |
|||||||||||
|
0*1*3 |
153.92419785188702*δ**-0.5632487115074262 |
127 |
0.830065 |
0.56 |
0.994671 |
||||||
|
0.9725305629591284 ****** 决定系数 r**2 |
|||||||||||
|
0*2*3 |
194.14698809810508*δ**-0.5358986879050944 |
139 |
0.716495 |
0.55 |
1.028037 |
||||||
|
0.9572303851112073 ****** 决定系数 r**2 |
|||||||||||
|
1*2*3 |
185.57963663285054*δ**-0.5744580187691357 |
138 |
0.745946 |
0.55 |
0.958188 |
||||||
|
0.9822146188650052 ****** 决定系数 r**2 |
|||||||||||
|
0*1*2*3 |
343.3471676374182*δ**-0.5728684593396957 |
267 |
0.778426 |
0.56 |
0.979021 |
||||||
|
0.9942519845625751 ****** 决定系数 r**2 |
|||||||||||
计算组合参数a和b
计算表明a的计算值是实验值的约78%，b的计算值约为实验值的98%。
对比9*9的数据，a的计算值是实验值的约90%，b的计算值是实验值的约96%。
验算神经网络谐振子模型的第二组数据相关推荐
- 神经网络谐振子模型的一组数据
因为神经网络的迭代次数和收敛误差的数学规律符合谐振子的力学模型, 本次实验统计了11个网络的振动函数,并比较参数之间的可能关系. 这11个网络包括6个二分类网络(0,1),(0,2),(0,3) ,( ...
- python代码大全p-基于python实现计算两组数据P值
我们在做A/B试验评估的时候需要借助p_value,这篇文章记录如何利用python计算两组数据的显著性. 一.代码 # TTest.py # -*- coding: utf-8 -*- ''' # ...
- python中计算如何实现_基于python如何实现计算两组数据P值
我们在做A/B试验评估的时候需要借助p_value,这篇文章记录如何利用python计算两组数据的显著性. 一.代码# TTest.py # -*- coding: utf-8 -*- ''' # C ...
- python计算相关性显著性p值_基于python实现计算两组数据P值
我们在做A/B试验评估的时候需要借助p_value,这篇文章记录如何利用python计算两组数据的显著性. 一.代码# TTest.py # -*- coding: utf-8 -*- ''' # C ...
- excel多组数据散点图生成
在研究数据分布时,散点图是一类比较常用的方法,通过三点图可以很好的显示数据的分布位置.一组数据生成散点图,利用excel是很容易生成的:但是,多组数据生成散点图,不同组数据用不同颜色表示,那该怎么生成 ...
- python 绘制两组数据的分布图
可以使用 Python 中的 Matplotlib 库来绘制两组数据的分布图.下面是一个简单的示例代码: import matplotlib.pyplot as plt# 假设有两组数据,分别是 x ...
- TaxoNN:基于分层微生物组数据的集成神经网络用于疾病预测
<TaxoNN ensemble of neural networks on stratified microbiome data for disease prediction > 发表时 ...
- 免费直播 | 宏基因组云讲堂第二期由刘永鑫博士主持，特邀王金锋副研究员分享“用时序微生物组数据重现生物膜装配的动态过程”...
博彩众家之长,积微成就突破.为促进我国宏基因组研究领域的学术交流和技术分享,推动微生物组领域的发展,"宏基因组"公众号联合国内外优秀人才组织"易生信-宏基因组 积微学术论 ...
- matlab建立rbf网络,大家看一下,这组数据Matlab如何构建RBF神经网络!!!!
大家看一下,这组数据如何构建RBF神经网络!!!! 大家看一下如何编写RBF网络,前4例是输入,后2列是输出.共有19组数据,谁会呀!!谢谢. m_data=[0.000000 -96.688193 ...
最新文章
- 应用流量管理，新网络管理必修课
- 尝试在centos5下运行phantomjs2
- C# 两时间，时间间隔
- 数据库的查询优化建议整理
- 蓝色巨人IBM全力奔赴的混合云之旅能顺利吗？
- 解密Go协程的栈内存管理
- 银行支行信息 银行卡归属地
- input checkbox 选择内容输出多少个
- 蚂蚁金服高要求的领域建模能力，对研发来说到底指什么？
- 如何将MathType公式编辑器内嵌到WPS工具栏中
- 中国智能家居企业出海，亚马逊云科技为其提供“GPS锦囊”
- PDF转word之后的结果事图片格式，如何改成.doc或.docx格式
- AI如何挑战传统翻译
- 中科大ctf题型总结，来自小白的感慨
- 机器学习（五）logistic回归
- Day 16 购物车
- 数字带通调制系统实验-BPSK的调制与解调
- IBM MQ运维常用命令
- 蓝牙耳机延迟受什么影响？有没有办法能完全解决延迟？
- wifi 直接序列扩频传输技术（DSSS）及1M,2M速率时调制和编码方式