形态之间相互变换的两种方法

将鼠标变换成键盘，然后再键盘变换成鼠标。完成这件事可以有至少两种方法。一种方法是把鼠标的点移位到键盘上，再把键盘的点移位到鼠标上。但因为键盘和鼠标的大小不同，这种操作就有1对多和多对1的问题，路径不是唯一的，要复杂些。

还有第二种方法，可以按照键盘的大小截图，把鼠标所占的空间变得和键盘一样大。这样键盘和鼠标就存在一一对应的点，这样二者形态的变换就是对应点数值之间的加法操作。而且这种变换没有路径问题，也没有移位距离问题，要简单的多。

因此有移位距离和假设

(A，B)---m*n*k---(1,0)(0,1)

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，分类的过程就是让A和B中的粒子互相交换位置，寻找最短移位路径的过程。而熵H与最短移位距离和S成正比，迭代次数n与熵H成反比。

移位规则汇总

移位距离就是等位数值差的绝对值的和S=Σ|a-b|

如对一组3*3的矩阵

S=s0+s1+，…，+s8=|a0-b0|+|a1-b1|+,…,+|a8-b8|

这次继续验算这一假设。

用神经网络分类114-159，114-258，114-357，114-456，114-555.这5组图片的移位距离和都是3.9。如计算114-159

S=|0.1-1|+|0.1-1|+|0.4-1|+

|1-1|+|1-1|+|1-1|+

|0.1-1|+|0.5-1|+|0.9-1|=6-0.6-1.5=3.9

按照移位假设这5组的迭代次数应该可以认为是一致的。

得到的数据为

他们是很相近的，当收敛误差为1e-4的时候最大值和最小值仅相差3.6%。

做第二组

分类222-159，222-258，222-357，222-456，222-555.这5组的移位距离和也都是3.9，他们的迭代次数应该也可以认为是一致的，并且和114-159系列的迭代次数也是一致的。

得到的数据为

这5组数据形态上也是高度相近的，当收敛误差为1e-4时，最大值和最小值仅相差3.2%。

在上一次实验中已经得到了123系列的数值，将这三组数据放在一起比较

数值上是有波动，但最大值和最小值也仅相差4.1%，所以这一假设对这一实验而言是便捷而实用的。