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。