Математические методы распознавания образов

Упражнение 1:

Номер 1

В качестве классификатора можно использовать

Ответ:

(1) булеву функцию

(2) статический идентификатор обратной связи

(3) унимодальный полиномиальный массив средневзвешенных остатков

Номер 2

Возможно ли использование булевой функции в качестве классификатора?

Ответ:

(1) да, возможно

(2) нет, невозможно

(3) возможно только на комплексной плоскости

Номер 3

Верно ли то, что использование булевой функции в качестве классификатора невозможно?

Ответ:

(1) да, это верно

(2) нет, это неверно

(3) это неверно только для гиперскалярных поверхностей

Упражнение 2:

Номер 1

Если отсутствует возможность построения разделяющей прямой. то нельзя построить

Ответ:

(1) идентификатор ввода

(2) линейный классификатор

(3) унимодальный терминал

Номер 2

Нелинейный классификатор может быть построен

Ответ:

(1) как суперпозиция нескольких линейных

(2) как априорная интеграция нескольких линейных

(3) как произведение нескольких линейных

Номер 3

Каково значение or(x₁, x₂), если x₁=0, а x₂=1?

Ответ:

(1) 0

(2) 1

(3) не определено

Упражнение 3:

Номер 1

Каково значение функции and(x₁, x₂), если x₁=0, а x₂=1?

Ответ:

(1) 0

(2) 1

(3) не определено

Номер 2

Каково значение функции or(x₁, x₂), если x₁=1 и x₂=1?

Ответ:

(1) 1

(2) 0

(3) не определено

Номер 3

Каково значение функции xor(x₁, x₂), если x₁=1 и x₂=1?

Ответ:

(1) 1

(2) 0

(3) не определено

Упражнение 4:

Номер 1

Каждый нейрон задает гиперплоскость, которая разделяет пространство

Ответ:

(1) пополам

(2) на четыре части

(3) на бесконечное количество составляющих частей

Номер 2

На сколько частей делит пространство гиперплоскость, заданная нейроном?

Ответ:

(1) на две части

(2) на три части

(3) на четыре части

Номер 3

Верно ли утверждение, что каждый нейрон задает гиперплоскость, которая разделяет пространство пополам?

Ответ:

(1) да, это верно

(2) нет, это ошибочно

(3) это верно только для гиперкубических поверхностей

Упражнение 5:

Номер 1

Скрытый слой нейронов делит пространство

Ответ:

(1) на октаэдры

(2) на додекаэдры

(3) на полиэдры

Номер 2

На какие структурные части делит пространство слой нейронов?

Ответ:

(1) на тетраэдры

(2) на полиэдры

(3) на икосаэдры

Номер 3

Верно ли то, что скрытый слой нейронов делит пространство на икосаэдры?

Ответ:

(1) да, это верно

(2) нет, это неверно

(3) это верно только в комплексной плоскости

Упражнение 6:

Номер 1

Все вектора из каждого полиэдра отображаются

Ответ:

(1) в вершину многомерного единичного куба

(2) в начало вектора соответствий

(3) в конец вектора интерпретации

Номер 2

Выходной нейрон производит

Ответ:

(1) сечение гиперкуба, полученного в скрытом слое

(2) идентификацию массива вершин

(3) интерпретацию и частичную аппроксимацию массива вершин

Номер 3

Верно ли утверждение, что выходной нейрон производит сечение гиперкуба, полученного в скрытом слое?

Ответ:

(1) да, это верно

(2) нет, это неверно

(3) это верно только в иррациональном поле

Упражнение 7:

Номер 1

Внешний (выходной) нейрон реализует

Ответ:

(1) одну гиперплоскость

(2) пару гиперплоскостей

(3) бесконечное множество гиперплоскостей

Номер 2

Какое количество гиперплоскостей реализует выходной нейрон?

Ответ:

(1) 1

(2) 2

(3) бесконечное множество

Номер 3

Верно ли то, что выходной нейрон может реализовывать бесконечное количество гиперплоскостей?

Ответ:

(1) да, это верно

(2) нет, только одну

(3) нет, только пару

Упражнение 8:

Номер 1

Трехслойная нейронная сеть позволяет описать

Ответ:

(1) любые разделения объединений полиэдров

(2) только статические разделения объединений полиэдров

(3) только динамические разделения объединений полиэдров

Номер 2

Для заданного конечного множества прецедентов всегда можно построить разбиение пространства признаков на полиэдры такое, что ни в каком полиэдре не окажется

Ответ:

(1) нелинейных классификаторов

(2) интерполяционных несоответствий

(3) пары точек из разных классов

Номер 3

Поскольку с каждым полиэдром связаны образы одного класса, то с каждой вершиной гиперкуба

Ответ:

(1) связан лишь один класс

(2) связана пара классов

(3) связано бесконечное количество классов

Упражнение 9:

Номер 1

Каждый нейрон второго слоя трехслойной нейронной сети описывает

Ответ:

(1) сечение гиперкуба

(2) построение полиэдрального разбиения пространства гиперплоскостями

(3) детерминацию срединных перпендикуляров

Номер 2

Если число вершин в гиперкубе равно 8, то число нейронов второго слоя равно

Ответ:

(1) 3

(2) 8

(3) 12

Номер 3

Число вершин в гиперкубе равно 16. Чему равно число нейронов второго слоя?

Ответ:

(1) 4

(2) 8

(3) 16

Упражнение 10:

Номер 1

Число нейронов второго слоя равно 4. Чему равно количество вершин гиперкуба?

Ответ:

(1) 2

(2) 4

(3) 16

Номер 2

Если число нейронов второго слоя равно 32, то чему будет равно количество вершин гиперкуба?

Ответ:

(1) 16

(2) 32

(3) 64

Номер 3

Число нейронов второго слоя

Ответ:

(1) больше числа вершин гиперкуба

(2) меньше числа вершин гиперкуба

(3) равно числу вершин гиперкуба

Упражнение 11:

Номер 1

Нейрон третьего слоя осуществляет

Ответ:

(1) разделение пространства признаков на полиэдры одного класса

(2) отсечение вершин гиперкуба

(3) классификацию через оператор логического сложения

Номер 2

Классификацию через оператор логического сложения осуществляет

Ответ:

(1) нейрон первого слоя

(2) нейрон второго слоя

(3) нейрон третьего слоя

Номер 3

Каким образом может быть осуществлено построение нейронной сети-классификатора?

Ответ:

(1) варьированием архитектуры

(2) подборкой весов и порогов

(3) идентификацией средневзвешенных остатков

Упражнение 12:

Номер 1

Аппроксимация непрерывной дифференцируемой функцией за счет замены функции активации "сигмовидной" функцией лежит в основе

Ответ:

(1) алгоритма обратной волны

(2) метода градиентного спуска

(3) метода дихотомии

Номер 2

Аргумент функции активации нейрона принимает значения в зависимости

Ответ:

(1) от индекса прецедента

(2) от типа атрибута

(3) от идентификаторов

Номер 3

Верно ли то, что аргумент функции активации нейрона принимает значения в зависимости от индекса прецедента?

Ответ:

(1) да, это верно

(2) нет, это неверно

(3) это верно только для гиперскалярных плоскостей

Математические методы распознавания образов - тест 5