人工智能，ANN的等价形式

ANN是人工神经网络。关于ANN的原理，在此不再赘述。聊一聊它的等价形式，作为一种探索。

ANN分为多层，但本质上它是一个函数，输入X，输出Y，内部的隐藏层忽略掉。实际上，对于计算机科学家来说，ANN也是一个黑箱，内部原理并不明确。

ANN的等价形式，用泰森多边形，如图：

这个图的特点是，每个多边形内部，都是到特征点距离最近的点的集合。把特征点看做ANN的输入，对于和训练数据一模一样的输入，哈希表可以很好的工作。对于和训练数据有一定偏差的输入，先计算它在哪个多边形里，再取值。

具体步骤，对于输入的值X，依次计算它和训练样本之间的距离，取距离最小的那个样本，返回该样本对应的输出，即为系统的输出。

距离公式，对于二维空间，d=sqrt((x-x0)^2 +(y-y0)^2)。对于高维空间，添加更多的平方项即可。

以上是ANN的等价形式，用计算距离代替经典ANN中的学习过程，只要准备一样多的训练样本，它就能工作。缺点是，随着训练样本的增加，执行速度会变慢；优点是，训练样本变化后，不需要重新训练。实际上，该等价形式没有训练过程，它是直接靠计算距离进行工作的。