用神经网络模拟3个距离为0的粒子

( A, B, C )---m*n*k---( 1, 0, 0 )( 0, 1, 0 )( 0, 0, 1 )

有理由将参与分类的3个对象理解为间距为0的3个粒子，并且彼此之间有一种瞬时的相互作用。 并假设这个网络最初的分类准确率对A，B，C都是1/3.相当于形成了一种三重态，随着时间的推移,网络的分类准确率越来越大，最终A，B，C的分类准确率都达到了100%。

这时获得了3个间距为0的彼此完全独立的粒子，下一步要发生什么那？会因为斥力而迅速分离吗？

A，B，C三个对象彼此终将独立，他们形态的差异形成了对彼此的排斥，这斥力随着迭代逐渐放大，而迭代次数或与移位距离成反比，这次继续验算这一关系。

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3*3.如1*2*3为网络

( 1, 2, 3 )---9*30*3---( 1, 0, 0 )( 0, 1, 0 )( 0, 0, 1 )

的简记。就是用1，2，3的第一张图片不断的循环往复，直到收敛。

共进行了10组，得到数据

将收敛误差为7e-4的迭代次数画成图

将移位距离s画成图

S与n之间的反比关系依然存在。

移位距离就是等位点数值差的绝对值的和S=Σ|a-b|，如果训练集有多张图片取平均值，如果是多分类问题则移位距离为所有两两组合移位距离的和。

如对一组3*3的矩阵

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

如果是3分类问题，就应该实现3个形态之间的两两分类，也就是要完成3对等位点之间的差。

因此移位距离

S=Sab+Sac+Sbc=

|a0-b0|+|a1-b1|+|a2-b2|+|a3-b3|+

|a0-c0|+|a1-c1|+|a2-c2|+|a3-c3|+

|b0-c0|+|b1-c1|+|b2-c2|+|b3-c3|