用神经网络分类矩阵和矩阵的转置

设A是一个9*9的随机矩阵，让矩阵的每个格子都是一个0到1之间的随机数。A^T是矩阵A的转置。测试集由1000个A和A^T组成，这个网络是否可以收敛并分类？

在收敛误差δ一致的前提下,实验统计了7组收敛误差δ，每组收敛误差收敛199次，统计平均值。得到数据如下

9*9
f2[0]	f2[1]	迭代次数n	平均准确率p-ave	1-0	0-1	δ	耗时ms/次	耗时ms/199次	耗时 min/199	最大值p-max	迭代次数标准差	pave标准差
0.499498	0.49809	10.90955	0.500035	0.557819	0.442251	0.5	26.81407	5336	0.088933	0.5255	11.26349	0.003822
0.53774	0.462017	24827.81	0.504281	0.77495	0.233613	0.4	545.0704	108472	1.807867	0.514	2953.655	0.003854
0.490303	0.509541	127786.5	0.511249	0.61295	0.409548	0.3	2722.774	541837	9.030617	0.5205	17410.29	0.003752
0.550817	0.449115	209571.7	0.507741	0.628131	0.387352	0.2	4392.603	874132	14.56887	0.5235	15133.06	0.005972
0.449076	0.550917	276271	0.505261	0.592126	0.418397	0.1	5901.533	1174425	19.57375	0.527	20397.54	0.007861
0.448115	0.551887	427154.3	0.502309	0.527935	0.476683	0.01	9562.055	1902855	31.71425	0.5275	30589.25	0.009812
0.467382	0.532618	561370.3	0.501595	0.512362	0.490829	0.001	12240.93	2435961	40.59935	0.528	48150.88	0.010577

可以观察到迭代次数n随着δ的减小而增大，但分类准确率都约为50%。表明这个网络是可收敛的但不可分类。

矩阵A和A的转置的数值分布显然是有差异的，这个差异导致网络可以收敛。那为什么差异存在确无法分类？

一个可能的解释是，A的转置的转置是A，也就是由A变化到A的转置，和由A的转置变化到A的操作是一样的。

A和A的转置的训练集之间虽然存在差异，但这种差异表达的是同一种操作。让神经网络分类A和A的转置就意味这分类到底是由A转置为A的转置，还是由A的转置转置为A。这两种操作是一样的，所以不可被分成两类，或者表达为分成两类的概率相同，所以分类准确率是50%，形成双重态。

所以如果训练集之间的差异表达的是分类对象之间的相互关系，则两个分类对象之间的相互关系可以有三种

不可收敛	不可分类	相同的两个对象
可收敛	不可分类	双重态
可收敛	可分类	不同的两个对象