Главная / Искусственный интеллект и робототехника /
Нейрокомпьютерные системы / Тест 3
Нейрокомпьютерные системы - тест 3
Упражнение 1:
Номер 1
Какой способ построения линейного решающего правила является простейшим?
Ответ:
 (1) алгоритм обучения персептрона 
 (2) разделение центров масс 
Номер 2
Если возможно безошибочное разделение классов, то можно ли его получить методом центров масс?
Ответ:
 (1) да, безусловно 
 (2) не всегда 
Номер 3
Чем полезен метод центров масс?
Ответ:
 (1) как средство решения задачи линейного разделения 
 (2) как средство определения начального значения вектора весов для алгоритма обучения персептрона 
Упражнение 2:
Номер 1
В каком случае выходной сигнал персептрона будет положительным?
Ответ:
 (1) угол между вектором входных сигналов и вектором весов в расширенном пространстве меньше π/2 
 (2) угол между вектором входных сигналов и вектором весов больше π/2 
Номер 2
Как нужно модифицировать вектор весов, если входной вектор ошибочно отнесен персептроном ко второму классу (выходной сигнал – 0)?
Ответ:
 (1) вычесть часть вектора входных сигналов из вектора весов 
 (2) сложить с вектором весов часть вектора входных сигналов 
Номер 3
Что реализует персептрон в пространстве входных сигналов?
Ответ:
 (1) гиперсферу 
 (2) гиперэллипсоид 
 (3) гиперплоскость 
Упражнение 3:
Номер 1
Какой вариант алгоритма обучения персептрона обладает наилучшей сходимостью?
Ответ:
 (1) обучение по отдельным примерам 
 (2) обучение по всему задачнику 
 (3) обучение по страницам 
Номер 2
Что является условием остановки выполнения алгоритма обучения персептрона?
Ответ:
 (1) совпадение реального выходного сигнала с требуемым для всех векторов обучающей выборки 
 (2) снижение разности между реальным выходным сигналом и требуемым до заданного ненулевого порога для всех векторов обучающей выборки 
Номер 3
Чем ограничивается размер страницы в методе обучения персептрона по страницам?
Ответ:
 (1) емкостью оперативной памяти 
 (2) скоростью обучения 
Упражнение 4:
Номер 1
Как нужно модифицировать вектор весов, если входной вектор ошибочно отнесен персептроном к первому классу (выходной сигнал – 1)?
Ответ:
 (1) вычесть часть вектора входных сигналов из вектора весов 
 (2) сложить с вектором весов часть вектора входных сигналов 
Номер 2
Как соотносятся вектор весовых коэффициентов и разделяющая гиперплоскость?
Ответ:
 (1) вектор весов параллелен гиперплоскости 
 (2) вектор весов ортогонален гиперплоскости 
Номер 3
Из какого интервала выбирается значение скорости обучения?
Ответ:
 (1) (-1,1) 
 (2) (0,1) 
 (3) (1,2) 
Упражнение 5:
Номер 1
Следует ли хранить все входные векторы, на которых нейрон ошибается, при обучении по всему задачнику?
Ответ:
 (1) да 
 (2) нет 
Номер 2
Какой способ построения решающего правила всегда достигает безошибочного линейного разделения классов, если оно возможно?
Ответ:
 (1) метод центров масс 
 (2) алгоритм обучения персептрона 
Номер 3
Какой тип обучения назван обучением с учителем?
Ответ:
 (1) обучение, при котором заданы требуемые значения выходных сигналов для всех обучающих входных векторов 
 (2) обучение, при котором задано допустимое отклонение выходных сигналов от заданных