<用实验验证神经网络的节点是否可以看作弹性小球>中制作了一个1*1...1(共64个)的64层神经网络

for(inta=2 ;a<r-2 ;a++){

d=x[a][0]*(x[a+1][0]-x[a+2][0])+x[a][0]*( x[a-1][0]-x[a-2][0]);

}

并让权重同时向前和向后收敛(首尾另做处理)得到的图像非常像水波

本文就由sigmoid的反向传导公式开始推导看看是否能和波函数有什么联系。

首先计算权重,以x5点为例,左边的w0可以看作是第二次传导的w5,右边的w0可以看作是第一次传导的w5,y3和y4对应图中的第一次正向传导得到的x6,x7。Y1,y2可以对应图中第一次正向传导得到的x4,x3。x0对应第一次正向时的初始的x5,y0对应第一次正向传导得到的x5

W0=w0-r[y0(y1-y2)+y0(y3-y4)]

W0=w0-r.y0[(y1-y2)+(y3-y4)]

Y1-y2=d1

Y3-y4=d2

W0=w0-r.y0(d1+d2)

r是学习率

由第一次反向传导得到的w0再一次计算y1

Y1=sigmoid[x0.w0-x0.r.y0(d1+d2)]

完整的写出来就是

式子可以化简成

 式A

非线性薛定谔方程的最简单形式是

这个方程的解呈钟型

,解的方程是

a和x0是常数,是双曲正割曲线

展开

可以化简成

式B

对比式A

假设可能有一种情况vt+x0无限接近x

也就是

当满足

W0接近r.y0(d1+d2)

表达式

可以近似满足非线性薛定谔方程,

反向传导的sigmoid函数可能是非线性薛定谔方程的解。波幅越小越近似。

神经网络有可能被公式化表达吗?相关推荐

  1. 为什么要进行图学习?谈一谈逆势而上的图神经网络

    点击上方 蓝字关注我们 问一问近几年来逆势而上的技术有什么?相信你一定会说出来一个:图神经网络. 图神经网络将会在人工智能的各个领域起着非常重要的作用,虽然目前还没有完全成为各大顶会的焦点,但不可否认 ...

  2. 深度丨如何理解和评价机器学习中的表达能力、训练难度和泛化性能

    来源: Eric Jang 的个人博客 非常感谢王家兴 (Jiaxing Wang) 把这个博客文章翻译成中文. 当我在阅读机器学习相关文献的时候, 我经常思考这项工作是否: 提高了模型的表达能力: ...

  3. 如何理解和评价机器学习中的表达能力、训练难度和泛化性能

    来源: Eric Jang 的个人博客 非常感谢王家兴 (Jiaxing Wang) 把这个博客文章翻译成中文. 当我在阅读机器学习相关文献的时候, 我经常思考这项工作是否: 提高了模型的表达能力: ...

  4. 神经网络有什么理论支持? 本文作者:AI研习社 2017-11-08 18:30 导语:问:神经网络有什么理论支持? 答:目前为止(2017 年)没有什么特别靠谱的。 雷锋网按:本文原作者袁洋

    神经网络有什么理论支持? 雷锋网按:本文原作者袁洋,本文原载于作者的知乎专栏--理论与机器学习.雷锋网已获得转载授权. 三秒钟理解本文主旨: 问:神经网络有什么理论支持? 答:目前为止(2017 年) ...

  5. 从神经元到CNN、RNN、GAN…神经网络看本文绝对够了

    在深度学习十分火热的今天,不时会涌现出各种新型的人工神经网络,想要实时了解这些新型神经网络的架构还真是不容易.光是知道各式各样的神经网络模型缩写(如:DCIGN.BiLSTM.DCGAN--还有哪些? ...

  6. 入门讲解:使用numpy实现简单的神经网络(BP算法)

    用pytorch跟tensorflow实现神经网络固然爽.但是想要深入学习神经网络,光学会调包是不够的,还是得亲自动手去实现一个神经网络,才能更好去理解. 一.问题介绍 传说中线性分类器无法解决的异或 ...

  7. matlab神经网络(二)-bp神经网络,MATLAB神经网络(2) BP神经网络的非线性系统建模——非线性函数拟合...

    2.1 案例背景 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用 ...

  8. 神经网络知识梳理——从神经元到深度学习

    在深度学习十分火热的今天,不时会涌现出各种新型的人工神经网络,想要实时了解这些新型神经网络的架构还真是不容易.光是知道各式各样的神经网络模型缩写(如:DCIGN.BiLSTM.DCGAN--还有哪些? ...

  9. TensorFlow神经网络学习笔记

    张量(tensor) 就是多维数组 阶代表张量的维数 维数 阶 名字 0-D 0 标量scalar 1-D 1 向量vector 2-D 2 矩阵 matrix n-D n 张量 tensor 张量可 ...

最新文章

  1. matlab最小二乘法参数辨识,基于最小二乘法的MATLAB辨识仿真实验
  2. 在IOS中创建get,set方法
  3. 面对不可避免的故障,我们造了一个“上帝视角”的控制台
  4. 关于DRAM、SRAM、cache、cpu、寄存器、主存之间的联系与区别
  5. C/C++内存分配方式 .
  6. 为什么要关心均值和哈希码
  7. 做技术知道了哪些事情代表自己成熟了?
  8. 用IE和Google 浏览器的比较。。
  9. tkmybatis 子查询_你的名字是爆款吗?一键查询!看看在杭州、全国多少人和你同名!...
  10. 实现图片大小的自动控制( 图片大小控制CSS代码)
  11. 转: hibernate配置文件hibernate.cfg.xml和.hbm.xml的详细解释
  12. mac关闭开机启动时的客人用户
  13. 数模-改进AHP算法
  14. python自动下载论文_教你如何利用Python批量下载论文
  15. 2020年网络安全国赛解析(仅个人想法)
  16. 【第十篇】- Git 远程仓库(Github)之Spring Cloud直播商城 b2b2c电子商务技术总结
  17. Power bi 4.3 子弹图
  18. EPLAN 3D图自动生成2D安装版图
  19. “谁动了我的奶酪?”的故事
  20. 别再问我“输入URL到页面呈现”啦

热门文章

  1. Python画散点图(Knn中数据)
  2. Shell 显示带颜色字体
  3. C++基础算法学习——完美立方
  4. UITextView实现PlaceHolder的方式
  5. hiho #1044 : 状态压缩·一
  6. 用场景来规划测试工作
  7. (转)一步一步Asp.Net MVC系列_权限管理设计起始篇
  8. 特征选择与特征权重区别
  9. 精算模型1 一元生存分析3 条件概率与截尾分布
  10. 脑与认知科学1 脑的基本结构下