神经网络到底是如何实现分类的---共振参考系假设
在《拟合一个三分类网络的迭代次数和准确率的数学表达式》和《拟合三分类网络minst3,4,5的迭代次数与准确率的数学表达式》分别制作了两个三分类网络
这个网络是由3个一分类的网络组成的
S（minst0）81-（con3*3）49-30-3-（1,0,0）
S（minst1）81-（con3*3）49-30-3-（0,1,0）
S（minst2）81-（con3*3）49-30-3-（0,0,1）
w=w，w1=w1,w2=w2
简写成
d3（minst0,1,2）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
和三分类minst 3,4,5的网络
这网络同样也是由三个一分类的网络组成的
S（minst3）81-（con3*3）49-30-3-（1,0,0）
S（minst4）81-（con3*3）49-30-3-（0,1,0）
S（minst5）81-（con3*3）49-30-3-（0,0,1）
w=w，w1=w1,w2=w2
简写成
d3（minst 3,4,5）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
并且这两个网络的特征迭代次数表达式都已经得到了
更直观的画成图片
如果将这两个网络
d3（minst0,1,2）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
d3（minst 3,4,5）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
看成是两个大的共振体系，很显然这两个体系的共振频率ν是不一样的
由此可以合理的推断这两个共振体系的组成部分的特征迭代次数曲线n（δ）应该是不一样的。也就是
S（minst0）81-（con3*3）49-30-3-（1,0,0）
S（minst1）81-（con3*3）49-30-3-（0,1,0）
S（minst2）81-（con3*3）49-30-3-（0,0,1）
和
S（minst3）81-（con3*3）49-30-3-（1,0,0）
S（minst4）81-（con3*3）49-30-3-（0,1,0）
S（minst5）81-（con3*3）49-30-3-（0,0,1）
的n（δ）应该都是不一样的，但在《minst0-9特征频率曲线表达式》中已经用实验的方法证实
S（Minst 0-9）81-(con3*3)49-30-3-（3*k），k∈（0,1）
的n（δ）曲线几乎是完全重合的
由这两个看似很矛盾的现象可以推断，
S（Minst 0-9）81-(con3*3)49-30-3-（3*k），k∈（0,1）
的特征迭代次数曲线n（δ）几乎相同的原因是因为他们缺乏共同的共振参照物，导致他们的特征频率无法相互比较，导致不能分别。
如果能有一个共同的共振参考系他们的特征频率就可以相互比较并实现分类。
把这个两个三分类网络
d3（minst0,1,2）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
d3（minst 3,4,5）81-con（3*3）49-30-3-（3*k） ,k∈(0,1)
看做是两个共振体系，这个共振体系很显然放大了组成网络的一分类网络的特征，并进而实现识别分类。
由此可以合理的推断S（Minst 0-9）81-(con3*3)49-30-3-（3*k），k∈（0,1）的特征迭代次数曲线n（δ）应该是有细微差别的。
所以把神经网络假设成一个大的共振体系，参与共振的一分类网络在整个体系中有共同的参照物，使得他们的共振频率可以相互比较并进而实现分类。
实验数据
本文的数据都是来自前面三篇
《拟合一个三分类网络的迭代次数和准确率的数学表达式》
《拟合三分类网络minst3,4,5的迭代次数与准确率的数学表达式》
《Minst 0-9特征迭代次数曲线表达式》
神经网络到底是如何实现分类的---共振参考系假设相关推荐
- 神经网络到底是如何思考的？MIT精英们做了这么一个实验室来搞清楚
作者 | Larry Hardesty等 编译 | ziqi Zhang 没错!人工智能是很火,神经网络也很火,但你真的懂它吗?神经网络到底是怎么工作的?没有人知道. 它像一只黑匣子,我们可以用他,却 ...
- 探索 | 神经网络到底是如何思考的？MIT精英们做了这么一个实验室来搞清楚
向AI转型的程序员都关注了这个号☝☝☝ 作者 | Larry Hardesty等 编译 | ziqi Zhang 没错!人工智能是很火,神经网络也很火,但你真的懂它吗?神经网络到底是怎么工作的?没有人 ...
- 卷积神经网络(CNN)实现CIFAR100类别分类
卷积神经网络(CNN)实现CIFAR100类别分类 1. CIFAR100数据集介绍 这个数据集就像CIFAR-10,除了它有100个类,每个类包含600个图像.,每类各有500个训练图像和100个测 ...
- [译] RNN 循环神经网络系列 2：文本分类
原文地址:RECURRENT NEURAL NETWORKS (RNN) – PART 2: TEXT CLASSIFICATION 原文作者:GokuMohandas 译文出自:掘金翻译计划 本文永 ...
- 模拟数据集上训练神经网络，网络解决二分类问题练习
#2018-06-24 395218 June Sunday the 25 week, the 175 day SZ ''' 模拟数据集上训练神经网络,网络解决二分类问题.'''import tens ...
- 使用循环神经网络(RNN)实现影评情感分类
最近由于做论文的补充实验,需要在rnn上做一下算法验证.找了一下这个博客写的挺好的,但是也有一些bug,暂时先记录一下. 使用循环神经网络(RNN)实现影评情感分类 作为对循环神经网络的实践,我用循环 ...
- 使用神经网络实现葡萄酒数据集的分类分析
目录 一.实验目的 二.实验环境 三.实验内容和过程 一.实验目的 掌握神经网络及深度学习建模分析 掌握使用神经网络实现分类的方法 掌握使用Keras框架实现深度学习的方法 了解各分类器之间的差异 二 ...
- AI：神经网络IMDB电影评论二分类模型训练和评估
AI:Keras神经网络IMDB电影评论二分类模型训练和评估,python import keras from keras.layers import Dense from keras import ...
- 循环神经网络LSTM实现电影情感分类
循环神经网络LSTM实现电影情感分类 一.数据集: 为了对word embedding这种常用的文本向量化的方法进行巩固,这里我们会完成一个文本情感分类的案例 现在我们有一个经典的数据集IMDB数据集 ...
最新文章
- Android平台使用PocketSphinx做离线语音识别，小范围语音99%识别率
- golang 切片 slice 拼接
- JAVA引用aar_如何生成并引用aar文件
- scrapy 模拟登陆
- Linux下的ELF文件、链接、加载与库（含大量图文解析及例程）
- CF Round#436 div2
- 考拉Android统一弹框
- Java基础面试题50题
- windows10用户密码获取
- 移动硬盘只显示盘符，不显示容量，也不能打开
- xilinx apu ,rpu特点 及通信
- 正版win10系统重装（更换固态硬盘等操作）保持之前正版激活教程
- 应用软件安全编程代码实现安全
- textureview 放大缩小的坑
- Scratch 3.0建站指南（一）
- Elasticsearch之分词器查询分词效果
- 很全的敏感词匹配系统的设计与实践
- [论文笔记] Oriented R-CNN 阅读笔记
- Unity制作一套自定义选择题试卷
- spark远程桌面连接：使用机器人平台