形态分类行为中错误图片流向数值统计

(0,2)---m*n*2---(1,0)(0,1)

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	最大准确率p-max	迭代次数标准差	pave标准差
8.31E-06	0.999992	8358.603	0.981403	0.989063	0.974129	1.00E-05	274.9598	54730	0.912167	0.985586	1544.237	0.001542

分类mnist的0和2，当收敛误差是1E-5时，收敛199次统计平均值，（1，0）位的分类准确率是0.989，（0，1）位的分类准确率是0.974。就意味着有1.0937%的0被错误的分成了2；而有2.5871%的2被错误的分成了0.错误图片的净流向是从 2到0，数值是1.493%。这次将所有的错误图片的净流向数据都统计出来。

		1-0	0-1
0	8	0.995708	0.974199	0.004292	0.025801	-0.02151
0	2	0.989063	0.974129	0.010937	0.025871	-0.01493
0	6	0.991873	0.977408	0.008127	0.022592	-0.01446
0	7	0.995795	0.990223	0.004205	0.009777	-0.00557
0	1	0.997959	1	0.002041	0	0.002041
0	4	0.987514	0.997871	0.012486	0.002129	0.010357
0	5	0.972675	0.987674	0.027325	0.012326	0.014999
0	3	0.978356	0.994711	0.021644	0.005289	0.016355
0	9	0.976669	0.99357	0.023331	0.00643	0.016901
1	7	0.999048	0.956397	0.000952	0.043603	-0.04265
1	2	0.995112	0.952553	0.004888	0.047447	-0.04256
1	4	0.998645	0.984229	0.001355	0.015771	-0.01442
1	9	0.989994	0.984815	0.010006	0.015185	-0.00518
1	0	1	0.997959	0	0.002041	-0.00204
1	6	0.994249	0.992788	0.005751	0.007212	-0.00146
1	8	0.982737	0.986741	0.017263	0.013259	0.004003
1	5	0.9816	0.991995	0.0184	0.008005	0.010395
1	3	0.981511	0.992721	0.018489	0.007279	0.01121
2	6	0.96403	0.967793	0.03597	0.032207	0.003763
2	7	0.96627	0.974073	0.03373	0.025927	0.007802
2	0	0.974129	0.989063	0.025871	0.010937	0.014933
2	8	0.950202	0.967208	0.049798	0.032792	0.017006
2	9	0.961479	0.983505	0.038521	0.016495	0.022026
2	4	0.952364	0.989571	0.047636	0.010429	0.037208
2	3	0.942138	0.982745	0.057862	0.017255	0.040607
2	1	0.952553	0.995112	0.047447	0.004888	0.042559
2	5	0.939825	0.984192	0.060175	0.015808	0.044367
3	8	0.976481	0.90831	0.023519	0.09169	-0.06817
3	2	0.982745	0.942138	0.017255	0.057862	-0.04061
3	6	0.998358	0.965952	0.001642	0.034048	-0.03241
3	0	0.994711	0.978356	0.005289	0.021644	-0.01636
3	1	0.992721	0.981511	0.007279	0.018489	-0.01121
3	7	0.976556	0.979758	0.023444	0.020242	0.003202
3	9	0.967461	0.978381	0.032539	0.021619	0.010919
3	4	0.982646	0.99365	0.017354	0.00635	0.011004
3	5	0.916046	0.957067	0.083954	0.042933	0.041021
4	2	0.989571	0.952364	0.010429	0.047636	-0.03721
4	6	0.990461	0.970022	0.009539	0.029978	-0.02044
4	8	0.985774	0.974524	0.014226	0.025476	-0.01125
4	3	0.99365	0.982646	0.00635	0.017354	-0.011
4	0	0.997871	0.987514	0.002129	0.012486	-0.01036
4	5	0.980427	0.972734	0.019573	0.027266	-0.00769
4	9	0.93322	0.9343	0.06678	0.0657	0.00108
4	1	0.984229	0.998645	0.015771	0.001355	0.014417
4	7	0.954027	0.972054	0.045973	0.027946	0.018027
5	2	0.984192	0.939825	0.015808	0.060175	-0.04437
5	3	0.957067	0.916046	0.042933	0.083954	-0.04102
5	8	0.954391	0.923024	0.045609	0.076976	-0.03137
5	9	0.980902	0.95456	0.019098	0.04544	-0.02634
5	6	0.974626	0.949151	0.025374	0.050849	-0.02548
5	7	0.994079	0.973823	0.005921	0.026177	-0.02026
5	0	0.987674	0.972675	0.012326	0.027325	-0.015
5	1	0.991995	0.9816	0.008005	0.0184	-0.0104
5	4	0.972734	0.980427	0.027266	0.019573	0.007693
6	8	0.989409	0.968766	0.010591	0.031234	-0.02064
6	2	0.967793	0.96403	0.032207	0.03597	-0.00376
6	7	0.994293	0.993675	0.005707	0.006325	-0.00062
6	1	0.992788	0.994249	0.007212	0.005751	0.001461
6	9	0.989661	0.997933	0.010339	0.002067	0.008272
6	0	0.977408	0.991873	0.022592	0.008127	0.014465
6	4	0.970022	0.990461	0.029978	0.009539	0.020439
6	5	0.949151	0.974626	0.050849	0.025374	0.025476
6	3	0.965952	0.998358	0.034048	0.001642	0.032406
7	4	0.972054	0.954027	0.027946	0.045973	-0.01803
7	2	0.974073	0.96627	0.025927	0.03373	-0.0078
7	8	0.975016	0.970056	0.024984	0.029944	-0.00496
7	3	0.979758	0.976556	0.020242	0.023444	-0.0032
7	6	0.993675	0.994293	0.006325	0.005707	0.000618
7	0	0.990223	0.995795	0.009777	0.004205	0.005572
7	9	0.949524	0.956129	0.050476	0.043871	0.006605
7	5	0.973823	0.994079	0.026177	0.005921	0.020256
7	1	0.956397	0.999048	0.043603	0.000952	0.042651
8	2	0.967208	0.950202	0.032792	0.049798	-0.01701
8	1	0.986741	0.982737	0.013259	0.017263	-0.004
8	7	0.970056	0.975016	0.029944	0.024984	0.004961
8	4	0.974524	0.985774	0.025476	0.014226	0.011251
8	6	0.968766	0.989409	0.031234	0.010591	0.020644
8	0	0.974199	0.995708	0.025801	0.004292	0.02151
8	5	0.923024	0.954391	0.076976	0.045609	0.031367
8	9	0.935205	0.977902	0.064795	0.022098	0.042698
8	3	0.90831	0.976481	0.09169	0.023519	0.068172
9	8	0.977902	0.935205	0.022098	0.064795	-0.0427
9	2	0.983505	0.961479	0.016495	0.038521	-0.02203
9	0	0.99357	0.976669	0.00643	0.023331	-0.0169
9	3	0.978381	0.967461	0.021619	0.032539	-0.01092
9	6	0.997933	0.989661	0.002067	0.010339	-0.00827
9	7	0.956129	0.949524	0.043871	0.050476	-0.0066
9	4	0.9343	0.93322	0.0657	0.06678	-0.00108
9	1	0.984815	0.989994	0.015185	0.010006	0.005179
9	5	0.95456	0.980902	0.04544	0.019098	0.026343

在所有这些组合中

8	3	0.90831	0.976481	0.09169	0.023519	0.068172
6	7	0.994293	0.993675	0.005707	0.006325	-0.00062

分类8和3的净流向数值最大，而分类6和7的数值最小，二者相差了110倍。在8和3分类的行为中，错误图片的净流向是从8到3.这个意味着我们通常觉得8和3长的很像，但事实上是8长的更像3.

(A,B)---m*n*2---(1,0)(0,1)

作用力和反作用力总是相等的，但A和B之间的相似性确并不一定等于B与A之间的相似性。

(2 , x)---m*n*2---(1,0)(0,1)

当2与其他对象x分类时，错误图像都是由2流向x.如果把错误图像流向比作电流，表明2可以被所有其他图像氧化，是一种强还原剂。

 

(5 , x)---m*n*2---(1,0)(0,1)

当分类原点是5时，除了4以外流向都是由x到5，表明5可以氧化除了4以外的所有形态，是强氧化剂。

有了氧化性和还原性是否可能由此估计错误图片流向？

观察（8，9），（9，1），（ 1，8）这三组分类

8	9	0.935205	0.977902	0.064795	0.022098	0.042698
9	1	0.984815	0.989994	0.015185	0.010006	0.005179
1	8	0.982737	0.986741	0.017263	0.013259	0.004003

流向分别是8→9，9→1，1→8.形成了一个循环，9可以氧化8，1可以氧化9，而8确可以氧化1。这个现象在某种角度上验证了形态数轴的非递进现象，因为形态没有内在的递进规律，因此基于形态的现象可以显得矛盾重重。