由相同的玻 {MOD}子系集组成的力学系统等效于由一组振子组成的力学系统---这两个系统恰恰是从两种不同观点来看待的同一个系统,每一个独立的玻 {MOD}子态伴随着一个振子.这里我们有了量子力学最基本的结果果之一,它使光的波动理论与微粒理论的统一得以实现。 所以如果模拟了振子系统也就相当于模拟了玻 {MOD}子系统，也就是模拟了波粒二象性。 假设神经网络的作用相当于振子动力系统，那么被分类对象就是振子，神经网络就构成一个弹簧，所以神经网络就可以用下面的公式表达 下面就做实验验证是否有可能， 如图中C所示，物体ma和mb相当于被分类对象，假如被分类对象minst0是ma，minst5是mb，则图C可以得出方程 而图C和图D是等价的   再假设两个网络E和F引入第三方参照物X，在E中让minst0和X分类，在F中让minst5和x分类。 则有方程   现在让这个网络的结构是有1个3*3的卷积核，49*30*2的节点数，将minst的图片缩小到9*9，这个网络简写作 d2（minst0,5）81-con（3*3）49-30-2-（2*k） ,k∈(0,1) 意思是用带有一个3*3卷积核，结构是49*30*2的网络让0向1，0收敛；让5向0，1收敛，二分类minst0，5的网络。 ω05的具体测量过程是   具体进样顺序       δ=0.1       初始化权重         迭代次数     minst 0-1 1 判断是否达到收敛 minst 5-1 2 判断是否达到收敛 梯度下降       minst 0-2 3 判断是否达到收敛 minst 5-2 4 判断是否达到收敛 梯度下降       ……       minst 0-4999 9997 判断是否达到收敛 minst 5-4999 9998 判断是否达到收敛 梯度下降       ……       如果4999图片内没有达到收敛标准再次从头循环 minst 0-1 9999 判断是否达到收敛 minst 5-1 10000 判断是否达到收敛 梯度下降       ……       每当网路达到收敛标准记录迭代次数和对应的准确率测试结果 将这一过程重复199次     δ=0.01       …       δ=1e-7         收敛条件是 if (Math.abs(f2[0]-y[0])< δ  &&  Math.abs(f2[1]-y[1])< δ   ) 根据前面大量的实验任何一个网络对应一个δ都有一个特征的迭代次数n，与之对应的就有一条n（δ）曲线，让n等于公式里的ω 用同样的办法做另外的两个网络 d2（minstx,0）81-con（3*3）49-30-2-（2*k） ,k∈(0,1) 意思是用同样的网络分类minst的0和一张x图片，让0向1，0收敛，让x向0，1收敛 d2（minstx,5）81-con（3*3）49-30-2-（2*k） ,k∈(0,1) 意思是用同样的网络分类minst的5和一张x图片，让x向1，0收敛，让5向0，1收敛 相当于让三个对象两两分类，让各自成为另外两个的参照物。 ω05，ωx0，ωx5都可以通过实验测出来，k可以约掉。所以ω0，ω5，ωx都可以计算出来，具体数据 δ 实测ω05 实测ωx0 实测ωx5 计算ωx 计算ω0 计算ω5 0.1 3508.41206 2472.38693 3323.90955 2405.18568 2545.55529 11070.994 0.01 4482.32161 3167.76382 4332.09045 3113.37833 3225.10272 17139.5484 0.001 6103.9397 4400.33668 5487.79899 4151.90956 4699.45802 10911.0006 1.00E-04 8919.69849 6164.71859 7451.38693 5611.71821 6921.8395 15310.0051 9.00E-05 9349.0201 6342.79899 7405.58794 5621.06102 7440.43971 14405.7759 8.00E-05 9539.44221 6398.79899 7552.99497 5682.96375 7477.91464 15627.1984 7.00E-05 10203.4322 6637.88442 7724.74372 5788.11728 8021.23091 16511.343 6.00E-05 9851.55276 6804.88945 7680.52261 5950.32629 8179.43801 13291.6796 5.00E-05 10868.8342 7217 8680.79397 6454.36378 8335.01776 19857.1576 4.00E-05 11182.1005 7507.39196 8660.1608 6582.52029 8977.85924 16693.7807 3.00E-05 12931.1709 7946.28643 9033.28643 6724.97923 10226.2497 20419.9466 2.00E-05 14625.3216 8857.38191 10089.8794 7475.60284 11471.6203 23895.9251 1.00E-05 20225.7739 10095.7136 11588.8643 8216.42308 14418.9448 112416.706 9.00E-06 21326.7688 10820.3769 11692.2714 8556.92031 17087.2773 32070.2844 8.00E-06 23468.9447 10830.608 12298.2613 8664.223 16376.1186 #NUM! 7.00E-06 24229.2161 11451.1809 12493.6382 9006.03169 18496.5046 45459.6581 6.00E-06 27358.9749 11989.7337 12861.1256 9258.46656 21097.3907 48491.3931 5.00E-06 31394.1859 12050.6683 13186.9146 9275.91094 21565.6545 #NUM! 4.00E-06 36071.5075 13025.0905 15299.7286 10315.3927 20451.1335 #NUM! 3.00E-06 43770.6281 14325.3719 15631.196 10882.6205 27712.5188 #NUM! 2.00E-06 53362.9598 15382.9698 17096.2412 11707.2494 29415.371 #NUM! 1.00E-06 76472.8291 19339.2412 21160.8241 14530.965 40438.7682 #NUM! 9.00E-07 86231.8492 20197.5528 20843.5578 14714.4894 59331.1441 #NUM! 8.00E-07 91895.4472 19328.6583 20997.8492 14394.3721 43558.2461 #NUM! 7.00E-07 94373.5528 21669.5729 21982.2714 15642.6219 76152.8888 138511.699 6.00E-07 101428.583 23628.8191 24435.0251 17229.2827 68447.7713 #NUM! 5.00E-07 95963.7688 24159.4422 24493.1256 17483.1843 80334.2167 126770.12 4.00E-07 112533.327 24202.1357 27362.5528 18368.2731 47110.8355 #NUM! 3.00E-07 120549.251 30488.2161 30380.2714 21871.4863 127875.017 114353.599 2.00E-07 135646.754 35339.0101 32491.4573 24299.0927 #NUM! 70560.5981 1.00E-07 159863.347 41935.7035 43337.4673 30686.5925 115224.791 583311.258   比较计算出来的ω0，ω5的曲线 这两条曲线是明显分开的，所以可以将它们分类，也表明神经网络的迭代次数是由参与分类的对象的特征频率合成的。 所以网络d2（minst0,5）81-con（3*3）49-30-2-（2*k） ,k∈(0,1) 的迭代次数n的精确表达式为 质量m0，m5，mx0，mx5，m05也可以计算出来 δ mx m0 m5 mxo mx5 m05 0.1 1 0.892755 0.047198 1.892755 1.047198 0.939953 0.01 1 0.931916 0.032996 1.931916 1.032996 0.964912 0.001 1 0.780549 0.144799 1.780549 1.144799 0.925348 1.00E-04 1 0.657277 0.134351 1.657277 1.134351 0.791628 9.00E-05 1 0.570741 0.152252 1.570741 1.152252 0.722994 8.00E-05 1 0.577549 0.132248 1.577549 1.132248 0.709796 7.00E-05 1 0.520706 0.122888 1.520706 1.122888 0.643594 6.00E-05 1 0.529218 0.200411 1.529218 1.200411 0.729629 5.00E-05 1 0.599644 0.105651 1.599644 1.105651 0.705295 4.00E-05 1 0.537575 0.15548 1.537575 1.15548 0.693055 3.00E-05 1 0.432463 0.108461 1.432463 1.108461 0.540924 2.00E-05 1 0.424662 0.097869 1.424662 1.097869 0.52253 1.00E-05 1 0.324712 0.005342 1.324712 1.005342 0.330054 9.00E-06 1 0.250778 0.071192 1.250778 1.071192 0.32197 8.00E-06 1 0.279922 #NUM! 1.279922 #NUM! #NUM! 7.00E-06 1 0.237076 0.039248 1.237076 1.039248 0.276324 6.00E-06 1 0.192584 0.036454 1.192584 1.036454 0.229038 5.00E-06 1 0.185007 #NUM! 1.185007 #NUM! #NUM! 4.00E-06 1 0.254412 #NUM! 1.254412 #NUM! #NUM! 3.00E-06 1 0.154211 #NUM! 1.154211 #NUM! #NUM! 2.00E-06 1 0.158402 #NUM! 1.158402 #NUM! #NUM! 1.00E-06 1 0.12912 #NUM! 1.12912 #NUM! #NUM! 9.00E-07 1 0.061507 #NUM! 1.061507 #NUM! #NUM! 8.00E-07 1 0.109206 #NUM! 1.109206 #NUM! #NUM! 7.00E-07 1 0.042194 0.012754 1.042194 1.012754 0.054948 6.00E-07 1 0.06336 #NUM! 1.06336 #NUM! #NUM! 5.00E-07 1 0.047363 0.01902 1.047363 1.01902 0.066383 4.00E-07 1 0.152018 #NUM! 1.152018 #NUM! #NUM! 3.00E-07 1 0.029254 0.036581 1.029254 1.036581 0.065835 2.00E-07 1 #NUM! 0.118592 #NUM! 1.118592 #NUM! 1.00E-07 1 0.070926 0.002768 1.070926 1.002768 0.073694   minst0和minst5的质量m0和m5也是分开的。 如果让mx恒为1，则当δ=0.1时，图片集0的质量是0.892755，图片集5的质量是0.047198。 所以将神经网络理解成是一个振子动力系统在数学上是可能的，那这个系统与波粒二象性有什么关系？ 比如看这 3个方程，可以猜测如果3个被分类对象中少了任何一个，则方程仅剩下一个比如 对应这个方程的解这6个未知数可能属于全体实数集， 这种状态就像波，分布在整个空间又几乎不在任何地方。 而当加入第三个分类对象的时候，网络构成了方程组，解就变成唯一的，同时具有了确定的质量，如果将第三个分类对象理解成是测量行为本身，则可以解释成是测量行为使波坍缩到一点，由波变成了粒子。   实验数据 学习率 0.1 权重初始化方式 Random rand1 =new Random(); int ti1=rand1.nextInt(98)+1; int xx=1; if(ti1%2==0) { xx=-1;} tw[a][b]=xx*((double)ti1/x); 第一层第二层和卷积核的权重的初始化的x分别为1000,1000,200   d2（minst0,5）81-con（3*3）49-30-2-（2*k） ,k∈(0,1) 的数据在《共振耦合二分类0，5神经网络迭代次数和准确率估算表达式》2019-1-24已经给出了 d2（minstx,0）81-con（3*3）49-30-2-（2*k） ,k∈(0,1)的数据已经在《神经网络与并联的弹簧》2019-2-2中给出了 d2（minstx,5）81-con（3*3）49-30-2-（2*k） ,k∈(0,1)的数据   x5                                   f2[0] f2[1] 迭代次数n 平均准确率p-ave δ 耗时ms/次 耗时ms/199次 耗时 min/199 最大准确率p-max 0.500523 0.500821271 18.0201005 0.5044614 0.5 619.0050251 123182 2.053033 0.71741453 0.389638 0.610526296 2313.20603 0.5242774 0.4 992.879397 197598 3.2933 0.790598291 0.284278 0.715427717 2694.241206 0.5197784 0.3 1057.954774 210533 3.508883 0.766025641 0.180895 0.819382042 2796.231156 0.515521 0.2 1072.899497 213507 3.55845 0.770299145 0.083688 0.916218803 3323.909548 0.5206696 0.1 1159.316583 230704 3.845067 0.773504274 0.00744 0.992577781 4332.090452 0.5062036 0.01 1493.884422 297283 4.954717 0.785790598 7.30E-04 0.999270412 5487.798995 0.5115589 0.001 2001.663317 398331 6.63885 0.713675214 6.50E-05 0.999934855 7451.386935 0.5039433 1.00E-04 2400.668342 477749 7.962483 0.682692308 5.82E-05 0.999941752 7405.58794 0.5015328 9.00E-05 2409.105528 479412 7.9902 0.641559829 5.27E-05 0.999947399 7552.994975 0.5055888 8.00E-05 2429.100503 483407 8.056783 0.650641026 4.65E-05 0.999953413 7724.743719 0.4991705 7.00E-05 2117.396985 421378 7.022967 0.69017094 3.97E-05 0.999960261 7680.522613 0.5014522 6.00E-05 2427.552764 483083 8.051383 0.691773504 3.30E-05 0.999967048 8680.79397 0.5036642 5.00E-05 2628.030151 522994 8.716567 0.744123932 2.63E-05 0.99997375 8660.160804 0.505511 4.00E-05 2634.20603 524207 8.736783 0.780448718 1.98E-05 0.999980146 9033.286432 0.5046117 3.00E-05 2719.296482 541140 9.019 0.634615385 1.31E-05 0.999986908 10089.8794 0.5041232 2.00E-05 2933.361809 583739 9.728983 0.719017094 6.67E-06 0.999993342 11588.86432 0.5008858 1.00E-05 3240.175879 644825 10.74708 0.594551282 6.21E-06 0.999993796 11692.27136 0.4990551 9.00E-06 3260.477387 648835 10.81392 0.789529915 5.28E-06 0.999994727 12298.26131 0.504295 8.00E-06 3380.964824 672812 11.21353 0.670405983 4.89E-06 0.99999511 12493.63819 0.5036454 7.00E-06 3455.201005 687590 11.45983 0.708867521 3.88E-06 0.999996116 12861.12563 0.503342 6.00E-06 3503.849246 697273 11.62122 0.680555556 3.40E-06 0.999996605 13186.91457 0.5014281 5.00E-06 3572.115578 710854 11.84757 0.68482906 2.74E-06 0.999997256 15299.72864 0.4974767 4.00E-06 3695.798995 735471 12.25785 0.706196581 1.95E-06 0.999998048 15631.19598 0.50142 3.00E-06 4089.135678 813743 13.56238 0.662393162 1.35E-06 0.999998647 17096.24121 0.5003302 2.00E-06 4386.512563 872921 14.54868 0.723290598 7.07E-07 0.999999294 21160.82412 0.4904974 1.00E-06 5203.472362 1035525 17.25875 0.65758547 6.14E-07 0.999999386 20843.55779 0.5033447 9.00E-07 5137.778894 1022418 17.0403 0.704059829 5.49E-07 0.99999945 20997.84925 0.4993772 8.00E-07 5154.949749 1025835 17.09725 0.677350427 4.79E-07 0.999999521 21982.27136 0.5002819 7.00E-07 5355.653266 1065806 17.76343 0.64957265 4.19E-07 0.999999581 24435.02513 0.4953077 6.00E-07 5869.919598 1168114 19.46857 0.652777778 3.40E-07 0.99999966 24493.12563 0.4882935 5.00E-07 5871.81407 1168491 19.47485 0.638354701 2.72E-07 0.999999727 27362.55276 0.4927979 4.00E-07 6503.80402 1294263 21.57105 0.647970085 2.13E-07 0.999999787 30380.27136 0.4942689 3.00E-07 6695.165829 1332342 22.2057 0.647970085 1.43E-07 0.999999857 32491.45729 0.4974042 2.00E-07 7507.125628 1493922 24.8987 0.698183761 7.16E-08 0.999999928 43337.46734 0.4909752 1.00E-07 9691.366834 1928589 32.14315 0.667200855   f2[0]    f2[1]    迭代次数n    平均准确率p-ave    δ    耗时ms/次
0.468200365    0.530903512    2    0.476495726    0.5    1423
0.498897295    0.500553235    32    0.540064103    0.5    736
0.497988522    0.500266399    40    0.472222222    0.5    704
0.437232597    0.505406109    2    0.476495726    0.5    673
0.499074493    0.50005661    38    0.450320513    0.5    658
0.491607777    0.539615398    2    0.476495726    0.5    641
0.49966528    0.500178772    34    0.563034188    0.5    657
0.498825797    0.500267978    36    0.465277778    0.5    660
0.499586943    0.579232755    2    0.476495726    0.5    609
0.499805306    0.500262273    50    0.542735043    0.5    627
0.550587527    0.492391858    1    0.523504274    0.5    610
0.494475659    0.53181447    2    0.476495726    0.5    626
0.499455292    0.501160016    42    0.408119658    0.5    642
0.499991638    0.501293813    42    0.438034188    0.5    626
0.501193324    0.499913881    21    0.523504274    0.5    610
0.500000563    0.498896864    31    0.523504274    0.5    627
0.498638626    0.501204415    42    0.503205128    0.5    610
0.499627355    0.500968078    42    0.509081197    0.5    615
0.499972285    0.500301157    46    0.409188034    0.5    626
0.478716818    0.562916511    2    0.476495726    0.5    626
0.46637963    0.514216773    2    0.476495726    0.5    610
0.528095228    0.462601235    1    0.523504274    0.5    595
0.552414594    0.462272422    1    0.523504274    0.5    616
0.484999193    0.565478321    2    0.476495726    0.5    596
0.561031885    0.446968998    1    0.523504274    0.5    625
0.498917913    0.500439205    48    0.458867521    0.5    627
0.50186706    0.499933549    45    0.523504274    0.5    610
0.490942119    0.500232783    20    0.476495726    0.5    643
0.499706075    0.500601114    50    0.527777778    0.5    609
0.504788447    0.444891274    1    0.523504274    0.5    629
0.528116804    0.49535951    1    0.523504274    0.5    594
0.500631307    0.437637336    1    0.523504274    0.5    594
0.485861389    0.500468922    2    0.476495726    0.5    626
0.500034039    0.499215484    45    0.523504274    0.5    611
0.481597593    0.513566638    2    0.476495726    0.5    595
0.546684364    0.460662179    1    0.523504274    0.5    596
0.427656623    0.501290409    2    0.476495726    0.5    641
0.500013641    0.498300445    25    0.523504274    0.5    630
0.494358168    0.586759784    2    0.476495726    0.5    593
0.498752041    0.500019909    32    0.474893162    0.5    627
0.465080755    0.535760162    2    0.476495726    0.5    596
0.498437675    0.500153719    40    0.440705128    0.5    626
0.509339747    0.443358025    1    0.523504274    0.5    595
0.499517264    0.500085465    38    0.692307692    0.5    658
0.503373836    0.422931804    1    0.523504274    0.5    595
0.49924036    0.500102719    38    0.487713675    0.5    606
0.540044656    0.471330099    1    0.523504274    0.5    625
0.499193466    0.500136424    32    0.555555556    0.5    596
0.499392312    0.500113865    42    0.495726496    0.5    609
0.498284729    0.500247629    38    0.474893162    0.5    610
0.498536976    0.500248217    32    0.516559829    0.5    595
0.519832396    0.341695103    1    0.523504274    0.5    611
0.495053607    0.512316261    2    0.476495726    0.5    615
0.555819635    0.44495388    1    0.523504274    0.5    631
0.50023755    0.497268475    35    0.523504274    0.5    593
0.467068797    0.544269912    2    0.476495726    0.5    627
0.499860123    0.500462618    42    0.689102564    0.5    610
0.438525757    0.502412946    2    0.476495726    0.5    611
0.506765702    0.489856114    1    0.523504274    0.5    595
0.500096629    0.499319922    39    0.523504274    0.5    610
0.467951665    0.504153244    2    0.476495726    0.5    595
0.500844151    0.499939068    37    0.523504274    0.5    626
0.500165501    0.499950768    49    0.523504274    0.5    610
0.500023194    0.484195596    11    0.523504274    0.5    612
0.477524261    0.539072898    2    0.476495726    0.5    593
0.430651292    0.569709149    2    0.476495726    0.5    643
0.493826459    0.50058657    12    0.476495726    0.5    594
0.496560692    0.619549356    2    0.476495726    0.5    642
0.500996564    0.499807973    43    0.523504274    0.5    626
0.499830708    0.502113543    36    0.528311966    0.5    611
0.541587129    0.445700761    1    0.523504274    0.5    625
0.484821875    0.552434259    2    0.476495726    0.5    627
0.498382775    0.500123454    38    0.476495726    0.5    594
0.499697447    0.501192399    22    0.665064103    0.5    612
0.500000879    0.496865675    7    0.523504274    0.5    609
0.396518345    0.528364487    2    0.476495726    0.5    611
0.500905519    0.499984344    49    0.523504274    0.5    613
0.533783103    0.493113919    1    0.523504274    0.5    626
0.422039255    0.5157101    2    0.476495726    0.5    595
0.500223606    0.499985766    53    0.523504274    0.5    626
0.482630765    0.512511172    2    0.476495726    0.5    595
0.4958738    0.533412573    2    0.476495726    0.5    619
0.469548916    0.526160058    2    0.476495726    0.5    594
0.499957166    0.50082783    36    0.586004274    0.5    627
0.500085619    0.498128468    35    0.523504274    0.5    609
0.505473439    0.499862017    27    0.523504274    0.5    636
0.518537863    0.474958201    1    0.523504274    0.5    595
0.500138202    0.497014116    33    0.523504274    0.5    610
0.440135436    0.502806165    2    0.476495726    0.5    610
0.498985154    0.500095394    34    0.646367521    0.5    611
0.499709497    0.500595476    32    0.392094017    0.5    610
0.499565383    0.515875415    16    0.476495726    0.5    634
0.508116511    0.499807103    19    0.523504274    0.5    609
0.501108699    0.499670834    45    0.523504274    0.5    611
0.497743368    0.501201279    42    0.37232906    0.5    626
0.499950226    0.501174459    24    0.502136752    0.5    623
0.487468322    0.552558608    2    0.476495726    0.5    594
0.499723253    0.50046502    54    0.563568376    0.5    611
0.499056815    0.500068197    38    0.47542735    0.5    641
0.474629425    0.537499898    2    0.476495726    0.5    602
0.517885236    0.495555642    1    0.523504274    0.5    625
0.555453424    0.447395086    1    0.523504274    0.5    611
0.512438168    0.444012841    1    0.523504274    0.5    609
0.499444236    0.501612687    28    0.477029915    0.5    605
0.523130969    0.474908342    1    0.523504274    0.5    610
0.609663789    0.486410054    1    0.523504274    0.5    642
0.544417919    0.481337208    1    0.523504274    0.5    610
0.546596269    0.473307821    1    0.523504274    0.5    612
0.501212088    0.499924083    39    0.523504274    0.5    609
0.500076624    0.49908603    45    0.523504274    0.5    624
0.45549264    0.590992582    2    0.476495726    0.5    594
0.503460046    0.439281837    1    0.523504274    0.5    595
0.577631607    0.408933223    1    0.523504274    0.5    611
0.498671227    0.50055147    38    0.394764957    0.5    595
0.510412561    0.498658303    1    0.523504274    0.5    610
0.554032471    0.480157349    1    0.523504274    0.5    626
0.500062636    0.497357465    29    0.523504274    0.5    610
0.499980653    0.506124871    8    0.476495726    0.5    643
0.523414441    0.484791526    1    0.523504274    0.5    594
0.521390362    0.464069692    1    0.523504274    0.5    642
0.518347063    0.481811319    1    0.523504274    0.5    609
0.500001079    0.499580518    69    0.523504274    0.5    647
0.5493714    0.496427077    1    0.523504274    0.5    642
0.540174901    0.465029723    1    0.523504274    0.5    594
0.496762378    0.500483536    30    0.476495726    0.5    658
0.495773686    0.51032115    2    0.476495726    0.5    600
0.499698417    0.500936902    36    0.463141026    0.5    594
0.49927937    0.502292713    24    0.491987179    0.5    627
0.435058307    0.572944807    2    0.476495726    0.5    609
0.471506519    0.50200185    2    0.476495726    0.5    596
0.499844534    0.500974137    28    0.400106838    0.5    595
0.499340318    0.501292686    42    0.556623932    0.5    641
0.500037941    0.498220198    29    0.523504274    0.5    603
0.499244277    0.500478461    36    0.520299145    0.5    610
0.500413585    0.499995355    49    0.523504274    0.5    610
0.552680549    0.495484551    1    0.523504274    0.5    612
0.539538098    0.465679239    1    0.523504274    0.5    594
0.499982953    0.502281309    26    0.576923077    0.5    595
0.499805412    0.502448365    26    0.477029915    0.5    610
0.557187377    0.457195475    1    0.523504274    0.5    595
0.49802532    0.500036183    38    0.565705128    0.5    611
0.458930932    0.526736413    2    0.476495726    0.5    610
0.497862992    0.500031155    12    0.556089744    0.5    647
0.498022827    0.550335469    2    0.476495726    0.5    610
0.449271993    0.517858917    2    0.476495726    0.5    595
0.515925205    0.489319126    1    0.523504274    0.5    621
0.488229584    0.506422349    2    0.476495726    0.5    593
0.503586716    0.499953497    29    0.523504274    0.5    612
0.518154097    0.499853069    1    0.523504274    0.5    594
0.472937364    0.541953113    2    0.476495726    0.5    594
0.500098887    0.499417732    47    0.523504274    0.5    611
0.499763684    0.504589887    12    0.476495726    0.5    626
0.495148964    0.522812243    2    0.476495726    0.5    594
0.45408476