Главная / Компьютерная графика /
Математические методы распознавания образов / Тест 5
Математические методы распознавания образов - тест 5
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