Free Essay

Qwjkh

In:

Submitted By Stan0607
Words 1123
Pages 5
习 题 1. 如何理解人工神经网络的学习能力和泛化能力?(10分) 2. 人工神经网络从哪几个方面描述了生物神经系统的基本特征?(20分) 3. 写出至少三种(其中至少包括两个S型)激活函数,并指出什么样的激活函数才能被用于BP网络之中,为什么?(15分) 4. 分别表示出M_P神经元模型与感知机神经元模型,并说明它们的联系与区别。(15分) 5. 分别说明有导师学习的特征和无导师学习的特征,是否可将这两种学习方法有机结合应用于训练神经网络,它们各起什么作用,请举例说明。(15分) 6. M_P神经元模型是如何模拟生物神经元的一阶特性的?其中激活函数有何作用(15分) 7. 计算题:

图1
其中:输入为x=(0.5,1);隐层的激活函数取;输出层的激活函数取f(u)=u;;
W1=(1,-1,1;1,0.5,2), w2=(1.5,2,1),计算此时网络输出y=? 8. 什么叫线性不可分问题?早期的感知器为什么不能解决线性不可分问题? 能否说出至少两种可以解决线性不可分问题的办法?(15分) 9. 能否结合你大作业的完成过程说一下BP算法存在的问题,有何相应的解决办法? 10. 试比较BP网络与RBF网络,说明各自的特点及其优缺点。(15分) 11. 如何理解Hopfield网络的联想记忆功能?(10分) 12. 根据你的理解,说明BP网络(或RBF网络)的数据压缩功能和模型辨识功能(10分) 13. 试说明人工神经网络不确定的训练方法的基本思想(10分) 14. 简述模拟退火算法的基本思想(尽可能数学形式表示)(10分) 15. 设离散Hopfield网络的权值w是对称正定的,试证明此Hopfield网络是稳定的。 16. a
试设计一感知机网络,使感知机网络能够实现如下图所示阴影部分的分类。要求详细写明设计过程。(20分)

图2
其中各点坐标为: a (4,5) b (6,3) c (5,-2) d (2,1) 17. Hopfield网络权阵的设计与验证:(20分) 18. 简述BP算法的基本思想。(10分) 19. 以三层BP网为例,试推导基本BP算法。(15分) 20. 基本BP算法在具体应用时存在一些什么样的问题?有什么改进措施?(15分) 21. 对于一个有三个神经元的离散Hopfield网络,如果其连接权阵和域值阵分别为: ,
请分析该离散Hopfield网络如果按串行运行方式工作的话,其是否稳定?如果稳定的话,请问对于初始状态:

经过多少次运算可以达到稳定状态,其稳定状态是什么?(改梯我还没有试做,必须试做之后才可以作为考题)。 22. 人工神经元的三个基本组成要素是什么?一组权值;一个求和单元;一个非线性转换函数。 23. 通过学习以后,CNN所获得的知识是如何存储的?存储在连接权上。 24. 简述有教师学习的学习过程。 25. 什么叫BP网络?BP网络与单层感知器有何联系与区别? 26. RBF网络的权值可用什么方法确定?与BP网络相比其权值学习的特点是什么? 27. 证明:对于连续型Hopfield网络: 当满足是单调上升函数时,网络是稳定的。 28. 证明:对于离散型Hopfield网络,若其运行规则是串行的,网络模型为: 当满足时,网络是稳定的。 29. 计算题:

图3
其中隐层的激活函数取;输出层的激活函数取f(u)=u;x=(0.5,1);
W1=(1,-1;1,2), w2=(2,1), 计算输出Y=? 30. 试设计一感知机网络,使感知机网络能够实现如下图所示阴影部分的分类。要求阴影及边线为1,其它位0,请详细写明设计过程。(20分)

图4
其中各点坐标为: a (3,5) b (6,4) c (4,-2) d (2,1) 31. (10分)人类对人工智能的研究可以分成 和 两种方式,前者对应的理论主要有: 、 、 等;后者对应的理论主要有: 、 等。 32. (4分)人工神经网络的英文单词 ,缩写词 。 33. (6分)决定人工神经网络整体性能的三大要素是: 、 、 。 34. 试述智能的含义及智能一般所包含的8个方面。 35. 人工智能的三大流派及其主要的代表性理论是什么? 36. 联接主义观点的核心是什么?ANN从哪几个方面去模拟人脑的智能行为? 37. 相对于其它人工智能方法来说,ANN最具有吸引力的地方何在? 38. 人工神经网络的分类如何? 39. 试写出离散型M_P神经元的模型。 40. 单个(层)离散型M_P神经元为何不能实现XOR运算?试用解析法和图解法加以说明。 41. 0
-3
4
2
-3.5 x1 x2
试设计一个M_P神经元实现图5所示的分类。图中线及线的下方取1,其余为0。
-2
0
1 x2 x1

图5 图6 42. 试设计一个M_P神经网络实现图6所示的分类。图中阴影及线取1,其余为0。 43. 试写出至少三种连续神经元的激励函数,并指出它们的定义域和值域。 44. 什么是BP网络,BP算法的核心是什么? 45. 什么是有教师学习?什么是无教师学习? 46. 给出PID神经网络的结构和模型,并给出其一种学习算法。 47. 给出Hopfield网络的结构及稳定性定理。 48. 给出CMAC网络的结构,CMAC网络是全局逼近网络还是局部逼近网络该网络有什么特点? 49. 什么叫做神经网络的泛化能力?如何提高BP网络的泛化能力? 50. CMAC网络中若出现重叠现象会出现什么问题? 51. BP算法有何不足之处?用什么网络可以避免局部极小点问题(RBF网络和CMAC网络)?这些网络又有什么问题? 52. 试比较BP网络与RBF网络的异同。 53. 下图是一BP网络,试计算隐层神经元的输出及网络的输出y。

图7
其中隐层的激活函数取;输出层的激活函数取f(u)=u;x=(0.5,1)。
54. 现有两个需要记忆的模式(1,-1,1)和(1,-1,1),试设计Hopfield网络的权值,并检验上述两个记忆摸式的记忆情况。 55. BP网络的连接模式属于 。 (a)层内连接 (b)反馈连接 (c)全连接 (d)前向连接 56. 如果不算输入层,BP网络至少需要 层才能在理论上逼近任何连续函数? 57. 当Hopfield网络的连接权矩阵是 时,网络稳定。 58. BP网络中一种常用的S型激励函数为 (可以是任意一种)。 59. 人工神经网络从哪几个方面试图去模拟人的自然神经网络? 60. 试说明或证明单层的M-P神经网络无法实现非线性分类。 61. 试简述模拟退火算法的基本思想,它为什么会限制陷入局部极小点? 62. 什么叫网络瘫痪?有什么办法能够在一定程度上避免陷入网络瘫痪? 63. 请设计一Hopfield网络的权阵,样本为X=Y={(101),(110),(001),(111),(010)},并画出该Hopfield网络。 64. 你的大作业报告完成了没有?写的什么主要内容?主要收获是什么?如果有时间还想应该补充什么内容? 65. 设计一感知网络,实现图8中阴影与其余部分的分类。写出设计过程。
4
3
4
2
T
P

图8 66. 图9表示一个已经训练好的BP网络,计算当X1=1,X2= -1时的前向计算输出y=?(各神经元的激励函数均为f(u)=1/(1+e-u)),写出计算过程。
X1
X2
2
1
-1
Y
0.2
0.4

图9 67. 人工神经网络队生物神经网络模拟的三个关键点是: 、 、 。 68. 决定人工神经网络整体性能的三大要素是:: 、 、 。 69. 请解释为什么单个或单层感知器只能实现现行分类问题? 70. 请写出SPIDNN的模型。 71. 请阅读下面的MATLAB程序,解释每一句的作用,并说明该程序的总体功能。
P = -1:.1:1;
T = [-.9602 -.5770 -.0729 .3771 .6405 .6600 .4609 ... .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 ... .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201]; figure(1) plot(P,T,'+'); title('Training Vectors'); xlabel('Input Vector P'); ylabel('Target Vector T'); figure(2) eg = 0.0001; sc = 1; net = newrb(P,T,eg,sc);
X = -1:.01:1;
Y = sim(net,X); plot(X,Y); net.iw{1} 72. 请阅读下面的MATLAB程序,解释每一句的作用,并说明该程序的总体功能。 clc clear figure(gcf) P = [-0.5 -0.5 +0.3 -0.1 -80; -0.5 +0.5 -0.5 +1.0 100];
T = [1 1 0 0 1]; net=newp([-80 0.5;-0.5 100],1,'hardlim','learnpn'); net.iw{1,1} = [-0.5997 0.7783]; net.b{1} = [0.0575]; net=train(net,P,T); net.iw{1,1} net.b plotpv(P,T); plotpc(net.iw{1,1},net.b{1}); p = [0.7; 1.2]; a = sim(net,p) 73. 请阅读下面的MATLAB程序,解释每一句的作用,并说明该程序的总体功能。
T = [+1 +1 -1 +1; ... -1 +1 +1 -1; ... -1 -1 -1 +1; ... +1 +1 +1 +1; ... -1 -1 +1 +1]; net = newhop(T);
P = {rands(5,4)};
[Y,Pf,Af] = sim(net,{4 50},{},P);
Y
74. 有教师、无教师、自组织学习有什么联系和区别?个用在什么神经网络上? 75. 简述ANN的学习能力和泛化能力。 76. 什么是静态网络?什么是动态网络?个用在什么场合? 77. 激励函数在人工神经网络功能实现中的作用? 78. 什么是全局逼近网络?什么是局部逼近网络?他们的区别和联系?特点?优缺点? 79. 什么是CMAC的碰撞和重叠?它对CMAC性能的影响是怎样的? 80. CAMC神经网络的拟合精度主要受什么影响?为什么?请简单解释其中的原因。 81. CAMC的泛化能力数要是有什么参数来决定的?请简单解释之。 82. 神经网络的连接形式对神经网络性能的影响,请举例说之。 83. 什么是过拟合? 84. PID神经网络属于 (前向,反馈)网络,属于 (动态,静态)网络。 85. 决定人工神经网络整体性能的三大要素 、 、 。 86. BP学习算法= 过程+ 过程。 87. 是全局逼近网络, 是局部逼近网络。 88. 下图是一神经网络辨识与控制系统,其中NNI(P-1)是神经网络 (正、逆)模型,实现的是 (模型辨识、系统控制)作用;NNC(P-1)是神经网络 (正、逆)模型,实现的是 (模型辨识、系统控制)作用。该系统属于 (开环控制,闭环控制)系统。
_
y u r
NNC(P-1)
NNI(P-1)
对象

图10 89. 请用单个感知器实现or运算。(6分) 90. 非线性作用函数为,试求,并用表示之。(8分) 91. 91、如何理解人工神经网络的学习能力和泛化能力?(8分) 92. 请解释为什么RBF网络是局部逼近网络,为什么RBF网络的中心参数和散度参数对网络的精度和泛化能力很关键?(8分) 93. 说明SPIDNN的初始权值怎样设置,能够使其等价于普通的PID控制器?(6分) 94. (15分)设离散Hopfield网络的权阵,各神经元的激励函数是[-1,1]二值函数,画出该Hopfield网络,计算的并行运行过程,并确定其吸引子或吸引环。 95. (10分)假设,,,设量化值为0.2,泛化常数C=3,试给出S→M→Ac的变换表。 96. 用图11所示的MP(McCulloch-Pitts)模型构成的逻辑网络如图12所示。试写出网络图2 (a),(b),(c)和(d)的真值表和逻辑函数表达式 fnet=0 net<01 net≥0

(a)

(b)

(c)

(d)
图11 MP型神经元及基本逻辑网络
(a)MP模型;(b)或非门;(c)与非门;(d)存储单元。

(a)

(b)

(c)

(d)
图12 MP模型构成的逻辑函数神经元网络 97. 图13所示前馈网络,是一个编码器。对一个象素的连续灰度值变吗,0≤X≤1。输出二进制码是 (q3q2q1)。试分析这个网络,并求出对应每个二进制码(000)…(111)的X的范围。设神经元为单极型二进制神经元 fnet=0 net≤01 net>0

Wij=1Wij=-1 fnet=12sinnet+12 图13 编码器 98. 图14所示网络是由具有连续激活函数 fnet=21+exp⁡(-λnet)-1 的神经元构成的,且λ=1。神经元的输出 O1=0.28,O2=-0.73。试求网络的输入矢量 X=[X1 X2]T 和激活函数的 net1 和 net2。

图14 99. 图15所示网络,是用具有 fnet=21+exp⁡(-λnet)-1激活函数的神经元构成的,输入矢量 X1,X2,X3。试确定哪组矢量使网络产生最大响应。输入矢量为
X1=0.8660.5,X2=-0.9850.174,X3=0.3246-0.94

图15 题3-6的神经网络 100. 试用离散感知机训练算法对C=1离散感知机二分分类器完成训练,已知如下分类的6个模式:
第一类:;
第二类:;
初始权值矢量W=0,求出训练后的权矢量。
101. 试推导出用delta学习规则的连续感知机训练规则,并求出()。假设神经元的单极型激活函数为

102. ,其中和是期望和实际响应值,神经元网络是离散感知机。上述网络形式称为离散感知机R分类器(R-category discrete perceptron classifier training 简称RDPTA)。现在用上述方法完成一个三分类器的训练(由三个离散双极型神经元构成的感知机网络),经三步训练,增广模式分量为-1,学习系数c=1。
第一步:输入模式,增广模式,所有初始权矢量为

第二步:输入模式,增广模式,仅作了调整 。
第三步:输入模式,增广模式,仅作了调整 。
已知最后得到的权矢量为:

试求出用于训练的输入模式、和。 103. 试设计并训练一个印刷字符分类器。下图示出用位图形式表示的和印刷字符,分别用白色和黑色像素表示0和1。分类器用一个离散双极型感知机构成,有十个输入权值,包括阈值在内。 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |

图16 印刷字符、的位图

104. 图17示出分为四类的平面输入模式。请用双极型离散感知机设计一个分层网络,能对线性不可分的平面输入模式进行分类,输出层应有三个感知器,分别用001、010、100、111表示一,二,三,四类。

图17 105. 研制一个多层前馈字符分类器,图18示出5个印刷体数字的5x5黑白像素图。
1)试设计一个神经元网络作为字符分类器;
2)给出5个输入/输出二进制训练矢量对的集;
3)训练网络达到零判决误差;
4)通过输入数据的训练实现数字的不失真联想;
5)通过5x5的中心像素(13像素)为白而不是黑作失真数字的恢复,实现对分类器的评价;
6)通过颠倒第12、13和14像素的失真数字的恢复,来评价分类器。

图18 106. 试设计用海明网(Hamming network)对下述三类典型矢量分类: , , ,
1)计算权矩阵;
2)找出,m=1,2,3,输出矢量X=[1 1 1 1 1 1];证明通过网络计算的HD和实际HD相符合;
3)计算出海明网每个节点的输出规一化响应f()
107. 已知一个具有双极型离散二进制神经元构成的单层反馈网络,其权矩阵为:

神经元的阈值和外部输入均为0。试计算和时的能量值。 108. 图19示出一个离散回归网络,神经元具有高增益双极型激活函数
1)通过观察网络的联接找出网络全矩阵。
2)从下述初始状态起分析网络的异步状态变化:

假设状态变化按神经元自然顺序1,2…
3)辨别(b)中网络的平衡稳定状态。
4)计算(c)中所确定的稳定平衡状态的能量值(因为是高增益神经元,所以用削顶能量函数计算能量值)。

图19 109. 图20所示为两个神经元连续单层反馈网络,神经元是高增益的,试求下列各项:
1)状态方程
2)权矩阵;
3)削顶能量函数;
4)削顶能量函数的梯度矢量

图20 110. 图6-19所示由4个高增益神经元组成的神经网络,试写出权矩阵。网络中用四个反向神经元经电导实现反馈,试求出输出为,和时能量值。

111. 由四个神经元组成的Hopfield网自动联想存储为,假设回想是同步完成的,即四个神经元同时修正输出。
1)假设16个状态中任何一个状态都可以为初始状态,试画出状态转换图;
2)计算
3)如果能量值是递减的,试确定网络模型。
112. 有一自动回归联想存储器,权限阵对角线为零,将下列单极型二进制矢量储存其中。

1)计算权矩阵;
2)求出存储器最小能量函数表达式。
113. 一个线性规划问题的代价函数是。已知约束条件为:

1)通过在解平面上的分析求出问题的解。
2)可用图21所示神经元网络解决这个问题,试求出网络的权重和电流值。

图21 114. 已知三个分类中心: 计算检测三分类神经元网络的联接权,所计算的权必须与模式匹配。假设三个神经元的标准权值已从初始调整到标准值。试用联想模型计算每个神经元的响应。 。输入是。 115. 用Kohonen网络Winner-take-all学习算法对图22所示有噪声的字符C、I和T进行分类,分为三类。假设有噪声训练的字符与噪声三个标准值海明距离HD=1.试计算最终权矢量。在回想计算中,计算神经元响应,神经元具有连续单极型激活函数。Kohonen网络的输入为 :C类 :I类 :T类 设。 图22 116. 逻辑函数定义如下:,其中函数极限为0和1,试求,并请画出其波形。 117. 一个Sigmoid奇函数定义如下:=,并且tanh为双曲线正切函数,第二个Sigmoid函数的极限为-1和+1,试求,并请画出其波形以及斜率参数a变化的波形。 118. 另一个Sigmoid奇函数为代数Sigmoid函数:,其极限值为-1和+1,试求,并请画出其波形。 119. 如图23所示,神经元i有4个输入分别为5,-10,6和-4,对应的权值分别为0.6,0.4,-1.5和-0.8,偏差为0.5.试求激励函数分别为阈值函数、分段线性函数和Sigmoid函数(激励函数的参数自定)时,神经元i的输出。

图23 120. 网络如图24所示,写出此网络的输入-输出映射。

图24 121. 设一感知器只有一个隐层,请用BP算法及Sigmoid函数研究以下各函数的逼近问题。 1) 2) 3) 4)
对每个映射都要
① 获取两组数据一组作为训练集,一组作为测试集;
② 用训练集训练网络;
③ 用测试集检验训练结果。
改变隐层单元个数,研究它对逼近效果的影响。
122. 假设RBF网络只有一个输出单元,设代价函数为 其中 试用梯度下降法推导RBF网络各自由参数,,(与有关)的公式即
1)
2)
3)
其中是的导数,。

Similar Documents