當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

用神经网络二分类吸引子与排斥子

發布時間：2025/4/5 编程问答 16 豆豆

生活随笔收集整理的這篇文章主要介紹了用神经网络二分类吸引子与排斥子小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

制作一個4*4*2結構的神經網絡，向這個網絡輸入吸引子并讓這個網絡向1，0收斂

將這個網絡簡單表示成

s（c）-4-4-2-（2*k）,k∈(0,1)

用同樣的辦法制作一個4*4*2的網絡向這個網絡輸入排斥子，并讓這個網絡向0，1收斂將這個網絡表示成

s（p）-4-4-2-（2*k）,k∈(0,1)

現在用這兩個網絡組成一個網絡，并讓4*4*2部分的權重共享，前面大量實驗表明這種效果相當于將兩個彈性系數為k1，k2的彈簧并聯成一個彈性系數為k的彈簧，并且讓k1=k2=k/2的過程。

將這兩個網絡

s（c）-4-4-2-（2*k）,k∈(0,1)

s（p）-4-4-2-（2*k）,k∈(0,1)

合起來簡化成

d（c，p）-4-4-2-（2*k）,k∈(0,1)

這個網絡的收斂標準是

if (Math.abs(f2[0]-y[0])< δ? &&? Math.abs(f2[1]-y[1])< δ?? )

因為對應每個收斂標準δ都有一個特征的迭代次數n與之對應因此可以用迭代次數曲線n(δ)來評價網絡性能。

本文嘗試了δ從0.5到1e-7在內的35個值.

具體進樣順序	?	?	?
進樣順序	迭代次數	?	?
δ=0.5	?	?	?
c	1	?	判斷是否達到收斂
p	2	?	判斷是否達到收斂
梯度下降	?	?	?
c	3	?	判斷是否達到收斂
p	4	?	判斷是否達到收斂
梯度下降	?	?	?
……	?	?	?
達到收斂標準測量準確率,記錄迭代次數，將這個過程重復199次		?	?
δ=0.4	?	?	?
…	?	?	?
δ=1e-7	?	?	?

其中吸引子為

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

x[0]=((double)ti1/100);

Random rand2 =new Random();

int ti2=rand2.nextInt(98)+1;

x[3]=((double)ti2/100);

排斥子為

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

x[0]=1+((double)ti1/100);

Random rand2 =new Random();

int ti2=rand2.nextInt(98)+1;

x[3]=1+((double)ti2/100);

得到的數據

f2[0]	f2[1]	迭代次數n	平均準確率p-ave	δ	耗時ms/次	耗時ms/199次	耗時 min/199
0.4971798	0.6221749	77.246231	0	0.5	0.9447236	188	0.003133333
0.3845949	0.6054663	714.47739	0	0.4	1.8542714	385	0.006416667
0.461226	0.542424	1496.4422	0	0.3	3.758794	748	0.012466667
0.8074469	0.2004141	2202.7136	0	0.2	4.9346734	982	0.016366667
0.9127876	0.091302	3383.8744	0	0.1	6.5477387	1303	0.021716667
0.9911862	0.0090039	8291.6432	0	0.01	13.889447	2765	0.046083333
0.9991082	9.02E-04	17873.312	0	0.001	28.422111	5704	0.095066667
0.9999093	9.12E-05	35607.754	0	1.00E-04	56.798995	11303	0.188383333
0.9999191	8.14E-05	37798.116	0	9.00E-05	60.125628	11965	0.199416667
0.999928	7.24E-05	37683.543	0	8.00E-05	59.643216	11886	0.1981
0.9999368	6.36E-05	41542.548	0	7.00E-05	66.874372	13308	0.2218
0.9999461	5.42E-05	40211.523	0	6.00E-05	64.030151	12742	0.212366667
0.9999553	4.49E-05	42300.095	0	5.00E-05	68.236181	13595	0.226583333
0.9999638	3.63E-05	47197.432	0	4.00E-05	76.834171	15290	0.254833333
0.9999733	2.69E-05	48845.975	0	3.00E-05	77.954774	15514	0.258566667
0.999982	1.81E-05	56957.04	0	2.00E-05	91.623116	18233	0.303883333
0.999991	9.00E-06	63660.739	0	1.00E-05	103.31658	20575	0.342916667
0.9999918	8.28E-06	65146.025	0	9.00E-06	104.68342	20864	0.347733333
0.9999928	7.22E-06	67970.698	0	8.00E-06	109.41206	21773	0.362883333
0.9999937	6.32E-06	70787.05	0	7.00E-06	114.21106	22728	0.3788
0.9999946	5.44E-06	74924.146	0	6.00E-06	120.14573	23925	0.39875
0.9999955	4.49E-06	77173.342	0	5.00E-06	123.59296	24612	0.4102
0.9999964	3.65E-06	78510.518	0	4.00E-06	126.51759	25193	0.419883333
0.9999973	2.71E-06	83886.447	0	3.00E-06	136.93467	27281	0.454683333
0.9999982	1.81E-06	97791.07	0	2.00E-06	157.86935	31417	0.523616667
0.9999991	8.99E-07	104116.33	0	1.00E-06	168.39698	33511	0.558516667
0.9999992	8.16E-07	113022.57	0	9.00E-07	182.17588	36285	0.60475
0.9999993	7.26E-07	113242.4	0	8.00E-07	181.37688	36094	0.601566667
0.9999994	6.35E-07	113600.84	0	7.00E-07	182.63317	36360	0.606
0.9999995	5.44E-07	125167.88	0	6.00E-07	202.27638	40253	0.670883333
0.9999995	4.56E-07	127589.14	0	5.00E-07	205.37186	40869	0.68115
0.9999996	3.64E-07	126430.22	0	4.00E-07	204.93467	40798	0.679966667
0.9999997	2.71E-07	133013.72	0	3.00E-07	214.10553	42607	0.710116667
0.9999998	1.83E-07	144383.77	0	2.00E-07	234.1809	46602	0.7767
0.9999999	9.06E-08	173535.34	0	1.00E-07	281.52764	56024	0.933733333

得到迭代次數曲線

迭代次數隨著δ的減小不斷增加。

從表格可以合理假設當δ無限減小的時候迭代次數n會隨著無限增加，就向在吸引子和排斥子之間有一種排斥力隨著兩個分類對象的接近而增加；或者也可以理解成兩個對象之間的排斥力之所以隨著距離的減小而增加是因為兩個對象在任意小的精度上的差別都在變小，但兩個對象的差別在任意小的精度上一直存在。

實驗參數

學習率 0.1

權重初始化方式

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

tw[a][b]=xx*((double)ti1/100);

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的用神经网络二分类吸引子与排斥子的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

神经网络

上一篇：用两个矩阵的点积计算神经网络的迭代次数
下一篇：吸引子矩阵和鞍点矩阵可以用神经网络二分类