Основы теории нейронных сетей

Упражнение 1:

Номер 1

Теория обучения Хэбба подразумевает:

Ответ:

(1) только локальное обучение нейронов

(2) как локальное, так и глобальное обучение

Номер 2

В алгоритме обучения Хэбба предполагается обучение:

Ответ:

(1) всех синоптических связей

(2) синоптических связей, соединяющих одновременно возбужденные нейроны

(3) синоптических связей только первого слоя нейронов

Номер 3

В алгоритме Хэбба величина изменения синоптической связи между двумя нейронами зависит:

Ответ:

(1) от уровня возбуждения пресиноптического нейрона

(2) от уровня возбуждения постсиноптического нейрона

(3) от разности между реальным и желаемым выходом системы

Номер 4

В алгоритме сигнального обучения Хэбба величина синоптической связи между двумя нейронами зависит :

Ответ:

(1) от уровней возбуждения этих нейронов

(2) от выходных уровней этих нейронов

(3) от разности между реальным и желаемым выходом системы

Номер 5

Метод дифференциального обучения Хэбба заключается в том, что в нем для изменения синоптических связей учитываются:

Ответ:

(1) выходы нейронов в разные моменты времени

(2) производные от выходов нейронов

(3) производные от целевой функции

Упражнение 2:

Номер 1

Входная звезда Гроссберга используется для:

Ответ:

(1) распознавании определенного образа

(2) классификации образов

(3) сбора информации о сходных образах

Номер 2

Выходом входной звезды Гроссберга является:

Ответ:

(1) мера сходства входного вектора с весовым вектором

(2) статическая характеристика обучающего набора

(3) номер класса сходных образов

Номер 3

Выходом выходной звезды Гроссберга является

Ответ:

(1) мера сходства входного вектора с весовым вектором

(2) статическая характеристика обучающего набора

(3) номер класса сходных образов

Номер 4

Хорошо обученная входная звезда Гроссберга способна реагировать:

Ответ:

(1) только на определенный единичный вектор

(2) на любой вектор из данного класса векторов

Номер 5

В алгоритме обучения выходной звезды Гроссберга величина синоптической связи между двумя нейронами зависит

Ответ:

(1) от уровней возбуждения этих нейронов

(2) от выходных уровней этих нейронов

(3) от разности между реальным и желаемым выходом

Упражнение 3:

Номер 1

Алгоритм обучения персептрона является:

Ответ:

(1) алгоритмом "обучения с учителем"

(2) алгоритмом "обучения без учителя"

Номер 2

В алгоритме обучения персептрона величина изменения синоптической связи между двумя нейронами зависит

Ответ:

(1) от уровня возбуждения пресиноптического нейрона

(2) от уровня возбуждения постсиноптического нейрона

(3) от разности между реальным и желаемым выходами нейрона

Номер 3

При обучении  персептрона предполагается обучение:

Ответ:

(1) всех синоптических связей

(2) синоптических связей, соединяющих одновременно возбужденные нейроны

(3) синоптических связей только "победившего" нейрона

Номер 4

Обучение персептрона считается законченным, когда:

Ответ:

(1) ошибка выхода становится достаточно малой

(2) по одному разу запущены все вектора обучающего множества

(3) достигнута достаточно точная аппроксимация заданной функции

Номер 5

Метод обучения Уидроу-Хоффа отличается от метода обучения персептрона

Ответ:

(1) способом вычисления ошибки нейрона

(2) способом вычисления модификации весовых значений

(3) количеством синоптических связей, которые необходимо обучить

Упражнение 4:

Номер 1

В статистических алгоритмах обучения величина изменения синоптической связи между двумя нейронами зависит:

Ответ:

(1) от уровня возбуждения пресиноптического нейрона

(2) от уровня возбуждения постсиноптического нейрона

(3) от разности между реальным и желаемым выходами нейрона

(4) изменяется случайным образом

Номер 2

Статистические методы обучения являются:

Ответ:

(1) алгоритмами "обучения с учителем"

(2) алгоритмами "обучения без учителя"

Номер 3

В статистических алгоритмах обучения искусственная температура используется для:

Ответ:

(1) управления размером случайных изменений весовых значений

(2) минимизации целевой функции

(3) уменьшения полной энергии сети

Номер 4

Всегда ли в статистических алгоритмах обучения  производится изменение весовых значений?

Ответ:

(1) да

(2) нет

Номер 5

Почему для статистических алгоритмов обучения распределение Коши является более приемлемым, чем распределение Больцмана?

Ответ:

(1) использование распределения Коши существенно уменьшает время обучения

(2) использование распределения Коши дает более точные аппроксимации заданных функций

(3) использование распределения Коши позволяет избегать локальных минимумов

Упражнение 5:

Номер 1

Самоорганизующиеся сети используются для:

Ответ:

(1) аппроксимации функций

(2) классификации образов

(3) распознавания образов

Номер 2

В алгоритме обучения Кохонена обучению подвергаются:

Ответ:

(1) все синоптические связи

(2) синоптические связи только "победившего" нейрона

(3) синоптические связи всех нейронов, чье расстояние до входного вектора меньше заданного порога

Номер 3

Алгоритм обучения Кохонена является:

Ответ:

(1) алгоритмом обучения с учителем

(2) алгоритмом обучения без учителя

Номер 4

В алгоритме обучения Кохонена, увеличивая пороговое значение расстояния между входным вектором и весовыми значениями нейрона, мы можем добиться:

Ответ:

(1) объединения нескольких классов образов

(2) разбиения множества входных образов на более мелкие классы

Номер 5

В алгоритме обучения Кохонена величина синоптической связи между двумя нейронами зависит:

Ответ:

(1) от уровней возбуждения этих нейронов

(2) от выходных уровней этих нейронов

(3) от разности между реальным и желаемым выходами системы

(4) от разности между весовым значением и входами системы

Основы теории нейронных сетей - тест 15