卷积网络每层放多少通道，可以由一个递推阶数m直接决定，而不必逐层手工设定或交给架构搜索。 此前的Fibonacci-Net把滤波器数固定为斐波那契序列(21, 34, 55, 89, 144, 233, 377)，只能使用这一种二阶递推，对网络整体宽度的调节余地很小。 在15类脑MRI上，m=3的Tribonacci-Net比Fibonacci-Net准确率高0.67个百分点，参数减少约37.5%，FLOPs与MACs减少约40.7%；在44类脑MRI上，m=5的Pentanacci-Net准确率高0.34个百分点，参数减少约47.1%，FLOPs与MACs减少约44.5%。
缩放系数由递推的主根给出，阶数越高，网络越窄。 m-Bonacci递推的主正根随阶数从约1.618升到约1.984并趋近2，直接拿高阶递推项当滤波器数会让模型变大。 缩放系数取s_m=ln ρ2/ln ρm，使s_2=1、更高阶时小于1；缩放后的通道数再取整为8的倍数，得到m=3到m=6的通道向量，例如m=6为(16, 24, 40, 64, 104, 160, 264)。
末段卷积改用深度可分离卷积，进一步压低参数与计算量。 标准卷积的参数量随输入、输出通道数相乘增长，而深度可分离卷积把它拆成逐通道卷积与1×1逐点卷积两步。 在4类、15类、44类脑MRI与CKD超声四组设置上，各缩放版本相对Fibonacci-Net减少参数约37.5%–50.4%，FLOPs与MACs减少约40.7%–45.1%，神经元数减少25.0%–25.9%。
讨论范围限于脑MRI的4类、15类、44类三种分类设置，以及一个本地采集的CKD超声数据集；图像统一缩放到224×224，按60:20:20分层划分，训练50轮，未使用早停、数据增强或额外图像处理。Grad-CAM可视化只作定性解释，不构成病灶分割结果，也不能替代有经验放射科医师的判读。
缩放规则本身不保证分类性能不下降：在4类脑MRI上各缩放版本准确率下降0.77至2.11个百分点，在CKD超声上Tribonacci与Tetranacci各降5.00个百分点、Pentanacci降6.25个百分点。最优递推阶数随数据集而变，中间阶数在三组脑MRI基准上较均衡，而Hexanacci在CKD超声上最好，准确率83.75%、宏F1为0.7941。
