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

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。

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

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