281
个编辑
更改
跳到导航
跳到搜索
第185行：
第185行： − 梯径 (Ladderpath) 方法最近被应用于人工神经网络（ANNs），特别是多层感知机（MLPs）的结构分析中，作为一种理解网络架构与性能之间关系的新颖方法。+ − 这种方法允许通过梯径度 (ladderpath-index) 和有序度 (order-index) 这两个指标来量化结构的有序性和复杂性，它们的归一化比值被称为有序率 (order-rate, <math>\eta</math>)。+ 第192行：
第192行： − + − + − + 第204行：
第204行： − + − +
无编辑摘要
=== 用梯径分析神经网络 ===
=== 用梯径分析神经网络 ===
梯径方法最近被应用于人工神经网络（ANNs），特别是多层感知机（MLPs）的结构分析中，作为一种理解网络架构与性能之间关系的新颖方法。
这种方法允许通过梯径度和有序度这两个指标来量化结构的有序性和复杂性，它们的归一化比值被称为有序率 (order-rate, <math>\eta</math>)。
有序率<math>\eta</math>的定义方式为：
有序率<math>\eta</math>的定义方式为：
<math>\omega(x)</math>：
<math>\omega(x)</math>：
<math>\omega(x)=s-l(x)</math>
<math>\omega(x)=S-l(x)</math>
其中<math>s</math>表示规模度，即序列<math>x</math>的长度，<math>l(x)</math>为序列<math>x</math>的梯径度。
其中<math>S</math>表示规模度，即序列<math>x</math>的长度，<math>l(x)</math>为序列<math>x</math>的梯径度。
2. 确定长度<math>s</math>、有序度<math>\omega(x)</math>的边界值
2. 确定长度<math>S</math>、有序度<math>\omega(x)</math>的边界值
最大有序指数 <math>\omega_{max}(S)</math>：
最大有序指数 <math>\omega_{max}(S)</math>：
<math>\omega_{max}(S)=S-1</math>
<math>\omega_{max}(S)=S-1</math>
- 基准有序指数 ω0(S)：
- 基准有序指数 <math>\omega_0(S)</math>：
指在给定字母表（如 {A,B,C,D}）上，纯随机长度为 S的序列的有序度的期望值。实践中通过以下方式确定：
指在给定字母表（如 {A,B,C,D}）上，纯随机长度为 S的序列的有序度的期望值。实践中通过以下方式确定：
(a) 理论推导 或 (b) 对大量随机序列计算 ω后取平均值。
(a) 理论推导 或 (b) 对大量随机序列计算 <math>\omega</math>后取平均值。
3.归一化计算有序率
3.归一化计算有序率