前面的实验中分别测量了吸引子和鞍点，排斥子和鞍点，吸引子和排斥子的分类网络的准确率。
以吸引子和鞍点为例
| r1 |
r2 |
||
| <1 |
<1 |
吸引子 |
c |
| >1 |
>1 |
排斥子 |
p |
| >1 |
<1 |
鞍点 |
a |
| <1 |
>1 |
反鞍点 |
fa |
制作一个二分类网络用来分类c和a，通过改变测试集c和a的比例观察网路分类能力的变化，并将得到的数据拟合成数学表达式。
训练集的比例c：a=1：1，
测试集c和a的比例为x：y.
让x：y的比例分别为0：10，1：9，2：8，3：7，4：6，5：5，6：4，7：3，8：2，9：1，10：0。
实验过程
二分类吸引子和鞍点
制作一个4*4*2的网络向这个的左侧输入吸引子，并让左侧网络向1，0收敛；向右侧网络输入鞍点让右侧向0，1收敛，并让4*4*2部分权重共享，前面大量实验表明这种效果相当于将两个弹性系数为k1，k2的弹簧并联成一个弹性系数为k的弹簧，并且让k1=k2=k/2的过程。
这个网络的收敛标准是
if (Math.abs(f2[0]-y[0])< δ && Math.abs(f2[1]-y[1])< δ )
因为对应每个收敛标准δ都有一个特征的迭代次数n与之对应因此可以用迭代次数曲线n(δ)来评价网络性能。
本文尝试了δ从0.5到1e-6在内的36个值.
| 具体进样顺序 |
|||
| 进样顺序 |
迭代次数 |
||
| δ=0.5 |
|||
| c |
1 |
判断是否达到收敛 |
|
| a |
2 |
判断是否达到收敛 |
|
| 梯度下降 |
|||
| c |
3 |
判断是否达到收敛 |
|
| a |
4 |
判断是否达到收敛 |
|
| 梯度下降 |
|||
| …… |
|||
| 达到收敛标准测量准确率,记录迭代次数，将这个过程重复199次 |
|||
| δ=0.4 |
|||
| … |
|||
| δ=1e-6 |
|||
将这个网络简写成
d2（c，a）-4-4-2-（2*k）,k∈{0,1}
得到准确率表达式
与之对应
d2（p，c）-4-4-2-（2*k）,k∈{0,1}的准确率表达式
d2（p，a）-4-4-2-（2*k）,k∈{0,1}的准确率表达式
因此得到这3组数据
| p |
c |
0.2556 |
1 |
| p |
a |
0.959284 |
0.864343 |
| c |
a |
0.799758 |
0.939178 |
经过观察发现
| 左侧 |
右侧 |
差 |
| 1.235858 |
1.231751 |
0.004108 |
| 1.160756 |
1.168032 |
-0.00728 |
| 1.188831 |
1.180657 |
0.008174 |
进一步整理这3个等式
实验数据
d2（c，a）-4-4-2-（2*k）,k∈{0,1}
d2（p，a）-4-4-2-（2*k）,k∈{0,1}
d2（c，p）-4-4-2-（2*k）,k∈{0,1}
