形态的两种相似性

(A，B)---m*n*k---(1,0)(0,1)

假设1：完全相同的两个对象无法被分成两类，与之对应的分类迭代次数为无穷大，分类准确率是50%，50%。相等收敛误差下迭代次数越大表明二者差异越小。

由假设1完全可以根据迭代次数的大小判断两个分类对象之间的形似性，这种相似性是两个训练集之间的相似性。是两个整体之间的相似性。在训练集不变的情况下这个值是绝对的。

而分类准确率给出的是测试集图片与训练集图片的相似性，这是一种个体相对整体的相似性。在B改变的情况下，测试图片c相对A的相似性会跟着变。比如

A			B
0	1		0	0
1	0		0	0

让A由(0,1)(1,0)两张图片构成，让B由两张(0,0)构成，用训练集做测试集。(0,1)会被认为属于A。

A			B
0	1		0	1
1	0		0	1

但如果让B由两张(0,1)构成，则会把(0,1)分类给B。

所以分类准确率表达的是一种相对的形态相似性，这个值会随着B的改变而改变。

这次继续验算移位距离假设，所用的训练集是mnist的0，1，2，3，4的第一张图片，但不二值化。用间隔取点的办法把图片化成13*13。如0*1为网络

( 0, 1 )---169*30*3---( 1, 0 )( 0, 1 )

的简记。就是做一个二分类网络分类0和1，并用0，1的第一张图片不断的循环往复，直到收敛。每个收敛误差收敛199次，统计迭代次数n的平均值,并统计每个网络的移位距离s。

共进行了10组，得到数据为

13*13	1*3	1*4	3*4	0*1	1*2	2*4	0*2	0*3	0*4	2*3
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
0.01	721.0302	705.6985	679.4824	677.809	673.3719	672.3518	646.0553	626.9648	623.7638	616.4372
0.001	4508.07	4475.528	4346.774	4325.814	4341.93	4319.658	4200.412	4137.231	4083.648	4066.709
9.E-4	4967.543	4922.824	4760.352	4737.025	4749.528	4764.261	4643.96	4552.613	4469.995	4461.322
8.E-4	5493.764	5461.719	5335.03	5302.367	5268.854	5260.759	5142.508	5022.111	5002.704	4986.332
7.E-4	6200.462	6185.362	5976.668	5943.121	5939.508	5902.658	5804.915	5678.442	5637.211	5597.688
s	32.04314	29.4902	32.74902	39.52941	38.73725	36.56471	42.38431	45.80784	44.86275	45.6902

将收敛误差为7e-4的迭代次数按照大小顺序画成图

将与之对应的移位距离s画成图

n和s之间的反比关系明显。拟合这两组数据。

N=4795.44016779755*2327.003984751942**(1/s)

0.8653535924890838   ******  决定系数 r**2

 

N=12724.938200154864*(1/s)**0.21153402686690814

0.883111727797866   ******  决定系数 r**2

26128.65707362529

 

N=45774.464681784615*(1/s)+4679.463105691484

0.8695116429748668   ******  决定系数 r**2

 

N=1247.9568175848174*ln(1/s)+10437.860771050146

0.8862223483116117   ******  决定系数 r**2

 

N=-2455584.60540211*(1/s)**2+180345.33431879248*(1/s)+2878.915207492315

0.8971114974949561   ******  决定系数 r**2