等位点数值差对迭代次数的影响
移位距离和假设
(A,B)---m*n*k---(1,0)(0,1)
用神经网络分类A和B,把参与分类的A和B中的数字看作是组成A和B的粒子,分类的过程就是让A和B中的粒子互相交换位置,寻找最短移位路径的过程。而熵H与最短移位距离和S成正比,迭代次数n与熵H成反比。
移位规则汇总
移位距离就是等位数值差的绝对值的和S=Σ|a-b|
如对一组3*3的矩阵
S=s0+s1+,…,+s8=|a0-b0|+|a1-b1|+,…,+|a8-b8|
按照移位假设如果用神经网络分类
8123和8123*11他们的迭代次数应该是相同的,
因为8123的移位距离和是
S=|0.8-1|+|1-1|+|1-1|+
|1-1|+|1-1|+|1-1|+
|0.1-1|+|0.2-1|+|0.3-1|=4-0.8-0.6=2.6
而8123*11的移位距离和是
S=|0.8-1|+|1-1|+|0.1-0.1|+
|1-1|+|1-1|+|1-1|+
|0.1-1|+|0.2-1|+|0.3-1|=4-0.8-0.6=2.6
因此他们的移位距离和都是2.6,所以他们的迭代次数应该相同。
实验验证这一猜测
分类8123*11,8123*12,8123*13,8123*14,8123*15。按照同样的算法他们的移位距离和分别是2.6,2.7,2.8,2.9,3.0.因此迭代次数应该依次减小。
得到的迭代次数为
8123 |
8123*11 |
8123*12 |
8123*13 |
8123*14 |
8123*15 |
|
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 |
5.00E-04 |
28525.63 |
28603.35 |
28495.51 |
28421.05 |
28147.91 |
27711.33 |
4.00E-04 |
34343.1 |
34625.89 |
34901.14 |
34556.31 |
34283.04 |
34305.35 |
3.00E-04 |
44964.48 |
45374.34 |
44968.54 |
45003.33 |
44452.52 |
44159.18 |
2.00E-04 |
65561.12 |
65231.52 |
65402.56 |
65034.89 |
65555.99 |
64023.5 |
1.00E-04 |
124472.5 |
124208.3 |
123552.5 |
121692.2 |
122196.4 |
122875.6 |
s |
2.6 |
2.6 |
2.7 |
2.8 |
2.9 |
3 |
从形态上看8123和8123*11的曲线是高度重合的,这符合假设。尽管当收敛误差为1e-4的时候,8123*15的迭代次数比8123*14的还要大些,但整体上看从8123*11到8123*15迭代次数是有明显的下降趋势的。
在前述的实验中已经得到当s=3时的迭代次数平均值为112824,这次实验得到的对应s=3的迭代次数为122875,实测值偏大,大了约8.9%。
继续做第二组实验
分类8123*16,8123*17,8123*18,8123*19,他们的移位距离和分别是3.1,3.2,3.3,3.4.得到的迭代次数为
8123 |
8123*11 |
8123*12 |
8123*13 |
8123*14 |
8123*15 |
8123*16 |
8123*17 |
8123*18 |
8123*19 |
|
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 |
5.00E-04 |
28525.628 |
28603.352 |
28495.508 |
28421.05 |
28147.915 |
27711.327 |
27650.487 |
27096.894 |
27029.367 |
26304.407 |
4.00E-04 |
34343.095 |
34625.889 |
34901.141 |
34556.307 |
34283.035 |
34305.347 |
33883.427 |
33316.99 |
32526.638 |
32165.779 |
3.00E-04 |
44964.482 |
45374.342 |
44968.543 |
45003.327 |
44452.523 |
44159.176 |
43389.693 |
43080.02 |
42515.08 |
41535.618 |
2.00E-04 |
65561.116 |
65231.518 |
65402.558 |
65034.889 |
65555.995 |
64023.497 |
63450.151 |
62744.623 |
61128.241 |
60766.829 |
1.00E-04 |
124472.48 |
124208.34 |
123552.51 |
121692.17 |
122196.36 |
122875.61 |
120244.26 |
118180.79 |
117954.35 |
114927.02 |
s |
2.6 |
2.6 |
2.7 |
2.8 |
2.9 |
3 |
3.1 |
3.2 |
3.3 |
3.4 |
从整体上看迭代次数的下降趋势更为明显,验证了移位距离和与迭代次数之间的反比关系。
与前述实验数据对比
981 |
871 |
971 |
881 |
861 |
771 |
122 |
961 |
875 |
|
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 |
5.00E-04 |
34219.01 |
34553.02 |
28229.22 |
27843.89 |
28270.21 |
28114.19 |
25862.05 |
25523.99 |
25117.39 |
4.00E-04 |
41899.68 |
41568.85 |
34548.15 |
34511.79 |
34803.25 |
34375.59 |
31524.1 |
30958.15 |
31102.23 |
3.00E-04 |
53474.56 |
54287.27 |
44497.27 |
44407.41 |
45065.05 |
44667.95 |
41011.36 |
40262.78 |
40239.05 |
2.00E-04 |
77797.83 |
78173.77 |
64693.36 |
64832.42 |
64707.93 |
64534.3 |
59270.11 |
59096.97 |
58618.7 |
1.00E-04 |
148175 |
146473.4 |
123601.3 |
122874.1 |
123288 |
123420.9 |
112397.9 |
113446.1 |
111994.6 |
s |
1 |
1 |
2 |
2 |
2 |
2 |
3 |
3 |
3 |
851 |
951 |
866 |
777 |
941 |
854 |
931 |
921 |
911 |
|
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 |
5.00E-04 |
25288.76 |
23904.73 |
23868.01 |
23579.5 |
22959.57 |
22738.92 |
22166.65 |
22094.36 |
23575.86 |
4.00E-04 |
31347.55 |
28978.03 |
28820.87 |
28965.92 |
27774.2 |
27653.1 |
27290.48 |
27253.6 |
28991.81 |
3.00E-04 |
40549.93 |
38252.24 |
37659.14 |
37460.82 |
35993.35 |
36072.61 |
35639.73 |
35340.25 |
37399.98 |
2.00E-04 |
59255.58 |
55426.48 |
54661.18 |
54804.67 |
52950.71 |
53116.99 |
51890.25 |
52155.43 |
54335.16 |
1.00E-04 |
114094.8 |
106880.8 |
106599.8 |
106112.6 |
101146.2 |
100986.2 |
100158 |
98502.28 |
102787.2 |
s |
3 |
4 |
4 |
4 |
5 |
5 |
6 |
7 |
8 |
8357 |
8357d0 |
8116 |
8123 |
8123*11 |
8123*12 |
8123*13 |
8123*14 |
8123*15 |
|
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 |
5.00E-04 |
36477.09 |
30465.327 |
28917.729 |
28525.63 |
28603.352 |
28495.508 |
28421.05 |
28147.915 |
27711.327 |
4.00E-04 |
44583.452 |
37211.859 |
35497.623 |
34343.1 |
34625.889 |
34901.141 |
34556.307 |
34283.035 |
34305.347 |
3.00E-04 |
56961.221 |
48007.09 |
46176.704 |
44964.48 |
45374.342 |
44968.543 |
45003.327 |
44452.523 |
44159.176 |
2.00E-04 |
81632.01 |
69937.387 |
67179.523 |
65561.12 |
65231.518 |
65402.558 |
65034.889 |
65555.995 |
64023.497 |
1.00E-04 |
154778.59 |
132814.24 |
126701.39 |
124472.5 |
124208.34 |
123552.51 |
121692.17 |
122196.36 |
122875.61 |
s |
1.7 |
2.3 |
2.4 |
2.6 |
2.6 |
2.7 |
2.8 |
2.9 |
3 |
误差 |
17% |
10% |
6.5-9.4% |
5.9-6.7% |
8.90% |
||||
8123*16 |
8123*17 |
8123*18 |
8123*19 |
123-357 |
|||||
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 |
||||
5.00E-04 |
27650.487 |
27096.894 |
27029.367 |
26304.407 |
25830.608 |
||||
4.00E-04 |
33883.427 |
33316.99 |
32526.638 |
32165.779 |
31733.412 |
||||
3.00E-04 |
43389.693 |
43080.02 |
42515.08 |
41535.618 |
41331.859 |
||||
2.00E-04 |
63450.151 |
62744.623 |
61128.241 |
60766.829 |
59049.849 |
||||
1.00E-04 |
120244.26 |
118180.79 |
117954.35 |
114927.02 |
113162.18 |
||||
s |
3.1 |
3.2 |
3.3 |
3.4 |
3.9 |
||||
误差 |
5.80% |
等位点数值差对迭代次数的影响相关推荐
- 数值分布的分散程度对迭代次数的影响
( A, B )---1*30*2---( 1, 0 )( 0, 1 ) 让网络的输入只有1个节点,AB各由7张二值化的图片组成,排列组合A和B的所有可能性,固定收敛误差为7e-4,统计收敛迭代次数 ...
- 输入对5层网络迭代次数的影响
制作一个5层网络和一个3层网络 图中左边的5层网络很显然可以看作是由两个右边的3层网络组合而成,所以左边的网络的迭代次数和右边的网络的迭代次数有什么关系? 在<测量一组5层网络的迭代次数> ...
- 权重初始化方式对神经网络迭代次数的影响
做一个网络 输入X范围是[1e-16,37] 权重初始化方式 Random rand1 =new Random(); int ti1=rand1.nextInt(98)+1; tw[a][b]=(do ...
- 空间尺寸对迭代次数的影响
( A, B )---3*30*2---( 1, 0 )( 0, 1 ) ( A, B )---4*30*2---( 1, 0 )( 0, 1 ) 做4个训练集尺寸分别为3行3列,3行4列,4行3列和 ...
- 神经网络输出数量对迭代次数的影响
制作一个神经网络输入minst数据集的2的前200张图,经过3*3的卷积核向001收敛 收敛标准是 while(Math.abs(y[0]-0)> δ || Math.abs(y[1]-0)& ...
- 学习对象对神经网络迭代次数的影响
制作一个81*30*2的神经网络 输入minst数据集的1的图片,让这个网络向1,0收敛, y[0]=1,y[1]=0 收敛标准 while (Math.abs(f2[0] - y[0]) > ...
- 学习率对神经网络迭代次数的影响
调整学习率看看对网络的迭代次数是否有影响 学习率先后实验了5, 1, 0.5, 0.3, 0.2, 0.1, 0.01, 0.005, 0.003,0.001 权重的初始化标准是 Random ran ...
- 神经网络的输入对迭代次数的影响
如果一个神经网络只有一个输入值,当这个输入值大小发生变化的时候对网络的收敛的迭代次数是否有影响. 比如如上的网络输入的x值从1e-16到45 权重的初始化方式是 Random rand1 =new R ...
- 决定迭代次数的两种效应
由于对称导致的空间结构耦合的不规则效应,和等位点数值差导致的线性效应共同决定了神经网络的迭代次数.而增加训练集图片数量和扩大图片的尺寸都可能弱化对称性,并同时弱化结构耦合的不规则效应,使得线性效应占优 ...
最新文章
- UnixLinux大学教程 读书笔记【1-3章】
- 收藏!全国31个省市区重点产业布局!
- 趣谈网络协议笔记-二(第五讲)
- 逻辑回归和线性回归的区别_机器学习简介之基础理论- 线性回归、逻辑回归、神经网络...
- css:hover伪类的使用
- Cisco Nexus 1000V
- Hibernate关联关系映射-----单向一对一映射配置
- mysql日志文件架构_mysql日志文件
- Know Difference between Oracle Reserved Words and Keywords
- comsol光学模块案例
- vue2 数据回显取消编辑不修改原数据
- c语言实现小球跳动的效果
- python异常值处理四分位法_Python清除异常值四分位法
- 考勤 日历 ajax,vue实现钉钉的考勤日历
- 一段代码——使用rdkit函数生成分子文件的3D构象
- 计算机大学生个人发展与规划,大学生个人发展规划
- IDEA,Java + Maven + TestNG编写接口自动化测试用例脚本
- 送你一份2023Java学习路线,按图索骥,开启一路狂飙!
- 2845 ACM 豆子 beans
- Oracle中国合作伙伴名单(一)