用二值化方法计算神经网络迭代次数的极小值

(A，B)---m*n*k---(1,0)(0,1)

用神经网络分类A和B，让A中有1个1，B中有2个1. 分类这两张图片，让这两张图片不断迭代直到收敛。在收敛误差一致的条件下，收敛199次，统计迭代次数平均值。

得到迭代次数

	122
δ	迭代次数n
5.00E-04	25862.05
4.00E-04	31524.1
3.00E-04	41011.36
2.00E-04	59270.11
1.00E-04	112397.9

移动距离和的假设

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，设分类的过程就是让A和B中的粒子互相交换位置，寻找最短移动路径的过程。而熵H与最短移动距离和成正比，迭代次数n和熵H成反比。

对二值化图片移动规则汇总

每个粒子移动一次，位置重合不移动，0不动，单次移动距离恒为1.

按照移动距离和的假设，A中的粒子和B中的粒子都不与对方粒子的位置重合，因此A中粒子（0，0）移动1次，移动距离为1.B中粒子（1，0）和（2，2）各移动一次，移动距离和为2.总的移动距离为3.

在前述实验《迭代次数的水中倒影》和《所谓分类到底是在干什么》中得到了98x系列和94x系列的迭代次数

	981	941	122
δ	迭代次数n	迭代次数n	迭代次数n
5.00E-04	34219.01	22959.57	25862.05
4.00E-04	41899.68	27774.2	31524.1
3.00E-04	53474.56	35993.35	41011.36
2.00E-04	77797.83	52950.71	59270.11
1.00E-04	148175	101146.2	112397.9
总移动距离	1	5	3

由数据可见总移动距离

S981<S122<S941

因此熵

H981<H122<H941

因此迭代次数

n981>n122>n941

所以这一数据和假设符合的很好。

再做第二组实验，让A中的1变成x，让x分别等于0.9，0.8，…，0.1.观察x数值的变化对迭代次数有什么影响。

得到迭代次数

		x11
	122	122-0.9	122-0.8	122-0.7	122-0.6	122-0.5	122-0.4	122-0.3	122-0.2	122-0.1
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	25862.05	26458.71	27544.99	28712.83	30541.73	33457.42	37406.64	43519.39	52575.88	65179.84
4.00E-04	31524.1	32334.54	33692.38	35097.59	37654.11	40870.32	45511.54	53137.59	64516.76	79944.46
3.00E-04	41011.36	41955.23	43995.81	45328.2	48752.48	52590.68	59419.63	68937.54	83921.08	105019.9
2.00E-04	59270.11	60812.87	63345.93	65873.75	70000.05	76094.19	85741.91	99339.34	122303.4	155090.9
1.00E-04	112397.9	115482.5	119295	126215.3	131542.1	143036.3	160345.6	187579.8	233268.2	299139.1
/112397	1	1.027443	1.061363	1.122932	1.170325	1.272589	1.426588	1.66889	2.075378	2.661429

比如115482.5这个数意思是当x=0.9时，收敛误差为1e-4的情况下，收敛199次的迭代次数平均为115482.5.

将2e-4和1e-4两行画成图

变化规律很明显，随着X数值的减小迭代次数是增加的。当x=0.1时的迭代次数是x=1时迭代次数的2.66倍。按照移动距离和的的假设，这意味着x减小，AB的形态复合体的熵是减小的。所以x的减小将导致迭代次数的增加。

因此将两张图片二值化，与之对应的迭代次数就是这两张图片对某一收敛误差的迭代次数极小值。比如对分布形态如122这样的两张图片XY，如目标收敛误差为1e-4的时候，其迭代次数不可能小于112397.无论图片XY中的数值如何，其收敛于1e-4的迭代次数都要大于112397.

或者理解为把XY的收敛迭代次数设置为112397，其峰值收敛误差为1e-4.