一种离散化的编程策略

(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，神经网络的训练过程事实上可以分为两个部分，首先将A移向B,再将B移向A。但因为这个过程是通过一套权重来完成的，所以神经网络就是在调和将A移向B，和将B移向A这两种编程逻辑。所以神经网络之所以可以实现较高的分类准确率，是因为充分的考虑了A相对B的差异的同时考虑了B相对于A的差异。并使之成为一个矛盾统一体，所以这不是一种基于单一连续逻辑的编程策略，而是一种离散化的复合的编程策略。

为验证这一猜测，继续完成92x系列的实验。让A中有9个1，B中有两个1.让两张图片不断迭代直到收敛。统计迭代次数的平均值，并比较。

得到迭代次数

	921	922	923
δ	迭代次数n	迭代次数n	迭代次数n
5.00E-04	22094.36	22210.17	22270.11
4.00E-04	27253.6	27135.26	27196.01
3.00E-04	35340.25	35457.67	35444.69
2.00E-04	52155.43	51821.36	51555.68
1.00E-04	98502.28	99141.98	98892.23
s	7	7	7

可以清楚的看到，虽然921-923的点的分布差异巨大，但是他们的迭代次数其实是高度重合的。因为他们的移动距离和s都是7.

比如921中只有A中有7个需要移动的点，单次移动距离为1，因此总的移动距离为7.

为验证这一现象，继续完成第二组实验924-927。得到迭代次数

	921	922	923	924	925	926	927
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	22094.36	22210.17	22270.11	22381.12	22129.48	22120.59	22170.03
4.00E-04	27253.6	27135.26	27196.01	27177.41	27190.68	27647.97	27189.69
3.00E-04	35340.25	35457.67	35444.69	35226.14	35295.77	35259.25	35510.32
2.00E-04	52155.43	51821.36	51555.68	50902.96	51453.88	51790.95	51694.95
1.00E-04	98502.28	99141.98	98892.23	97550.25	98339.94	97544.53	97718.31
s	7	7	7	7	7	7	7

实验现象符合假设，他们的迭代次数曲线是重合的。

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	921
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
5.00E-04	34219.01	28229.22	25862.05	25523.99	23904.73	22959.57	22166.65	22094.36
4.00E-04	41899.68	34548.15	31524.1	30958.15	28978.03	27774.2	27290.48	27253.6
3.00E-04	53474.56	44497.27	41011.36	40262.78	38252.24	35993.35	35639.73	35340.25
2.00E-04	77797.83	64693.36	59270.11	59096.97	55426.48	52950.71	51890.25	52155.43
1.00E-04	148175	123601.3	112397.9	113446.1	106880.8	101146.2	100158	98502.28
s	1	2	3	3	4	5	6	7

可以清晰的观察到迭代次数n和移动距离和s之间的反比关系。