用神经网络实现一次加法运算

(A，B)---m*n*k---(1,0)(0,1)

移动距离和假设

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.

按照移动距离和假设，如果两张图片不重合点的数量分别是a和b，则网络收敛的迭代次数反比于a+b，也就是网络的迭代次数是a+b的函数n=f（a+b）。因此对二值化图片实现一次收敛，就相当于完成了一次加法运算。这次就验证这一猜测，

用神经网络分类A和B，让A中有9个1，B中有3个1，让A和B不断迭代直到收敛。统计迭代次数的平均值，并比较。

得到的迭代次数数据

	931	932	933
δ	迭代次数n	迭代次数n	迭代次数n
5.00E-04	22166.65	22263.14	22501.15
4.00E-04	27290.48	27336.23	27418.16
3.00E-04	35639.73	35889.88	35563.93
2.00E-04	51890.25	52050.08	51690.69
1.00E-04	100158	99071.64	99730.86
s	6	6	6

这几条曲线高度重合，因为他们的总移动距离s都是6.比如对931，931B中的3个1和A中的3个1位置重合。因此仅有A中的6个点需要移动。（0，0），（0，1），（0，2），（1，0），（1，1），（1，2）。单次移动距离恒为1，因此总移动距离为6.

继续做934-937，进一步验证这一规律。得到数据

	931	932	933	934	935	936	937
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
5.00E-04	22166.65	22263.14	22501.15	22050.28	22313.26	22397.64	22429.29
4.00E-04	27290.48	27336.23	27418.16	27194.31	27369.58	27263.75	27367.36
3.00E-04	35639.73	35889.88	35563.93	35525.82	35512.64	35643.95	35821.85
2.00E-04	51890.25	52050.08	51690.69	52360.48	51986.76	52094.06	51873.35
1.00E-04	100158	99071.64	99730.86	98820.58	99440.88	99866.65	99778.57
s	6	6	6	6	6	6	6

同样因为934-937的总移动距离也是6，因此他们和931-933的迭代次数曲线是高度一致的。

再将本次实验数据和前述实验数据做比较，

	981	971	122	961	951	941	931
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
5.00E-04	34219.01	28229.22	25862.05	25523.99	23904.73	22959.57	22166.65
4.00E-04	41899.68	34548.15	31524.1	30958.15	28978.03	27774.2	27290.48
3.00E-04	53474.56	44497.27	41011.36	40262.78	38252.24	35993.35	35639.73
2.00E-04	77797.83	64693.36	59270.11	59096.97	55426.48	52950.71	51890.25
1.00E-04	148175	123601.3	112397.9	113446.1	106880.8	101146.2	100158
s	1	2	3	3	4	5	6

可以清晰的看到迭代次数和总移动距离s之间的反比关系。

以收敛误差1e-4为例

n	148175	123601.3	112397.9	113446.1	106880.8	101146.2	100158
a+b	1	2	3	3	4	5	6

可以更直观的看到n=f（a+b）的数学关系，所以神经网络的迭代次数告诉我们