<用实验验证神经网络的节点是否可以看作弹性小球>中制作了一个1*1...1(共64个)的64层神经网络
for(inta=2 ;a<r-2 ;a++){
d=x[a][0]*(x[a+1][0]-x[a+2][0])+x[a][0]*( x[a-1][0]-x[a-2][0]);
}
并让权重同时向前和向后收敛(首尾另做处理)得到的图像非常像水波
本文就由sigmoid的反向传导公式开始推导看看是否能和波函数有什么联系。
首先计算权重,以x5点为例,左边的w0可以看作是第二次传导的w5,右边的w0可以看作是第一次传导的w5,y3和y4对应图中的第一次正向传导得到的x6,x7。Y1,y2可以对应图中第一次正向传导得到的x4,x3。x0对应第一次正向时的初始的x5,y0对应第一次正向传导得到的x5
W0=w0-r[y0(y1-y2)+y0(y3-y4)]
W0=w0-r.y0[(y1-y2)+(y3-y4)]
Y1-y2=d1
Y3-y4=d2
W0=w0-r.y0(d1+d2)
r是学习率
由第一次反向传导得到的w0再一次计算y1
Y1=sigmoid[x0.w0-x0.r.y0(d1+d2)]
完整的写出来就是
式子可以化简成
式A
非线性薛定谔方程的最简单形式是
这个方程的解呈钟型
,解的方程是
a和x0是常数,是双曲正割曲线
展开
可以化简成
式B
对比式A
假设可能有一种情况vt+x0无限接近x
也就是
让
![](https://i-blog.csdnimg.cn/blog_migrate/97ae139e63173423f245a604c93b6e1c.jpeg)
当满足
W0接近r.y0(d1+d2)
表达式
可以近似满足非线性薛定谔方程,
反向传导的sigmoid函数可能是非线性薛定谔方程的解。波幅越小越近似。