(完整版)神經(jīng)網(wǎng)絡(luò)試卷(A卷)(含答案)

2008–2009學(xué)年第一

學(xué)期

考試方式：開卷[

]閉卷[√]課程名稱：神經(jīng)網(wǎng)絡(luò)

使用班級：

計算機科學(xué)與技術(shù)（醫(yī)學(xué)智能方向）06

班級：

學(xué)號：

姓名：

一、單項選擇題（每空2分，共30分）1.人工神經(jīng)網(wǎng)絡(luò)的激活函數(shù)主要有三種形式，下面(A)對應(yīng)的是非線性轉(zhuǎn)移函數(shù)，(B)對應(yīng)的是對應(yīng)的是域值函數(shù)，(C)分段線性函數(shù)。2.根據(jù)神經(jīng)元的不同連接方式，可將神經(jīng)網(wǎng)絡(luò)分為兩大類：分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。分層網(wǎng)絡(luò)將一個神經(jīng)網(wǎng)絡(luò)模型中的所有神經(jīng)元按照功能分成若干層。一般有輸入層、隱含層(中間層)和輸出層，各層順次連接。下面圖形(D)對應(yīng)的是相互連接型網(wǎng)絡(luò)，圖形(C)對應(yīng)的是層內(nèi)互聯(lián)的前向網(wǎng)絡(luò)，圖形(

B)對應(yīng)的是具有反饋的前向網(wǎng)絡(luò)，圖形(A)對應(yīng)的是單純的前向網(wǎng)絡(luò)。3.在MATLAB中，下面的（）命令可以使用得下次繪制的圖和已經(jīng)繪制的圖將不在同一張圖上。A)holdon（設(shè)置在同一張圖繪制多條曲線）

B)figure（下次的圖和已繪制的不在同一張圖上）

C)plot

D)holdoff（取消在同一張圖繪制多條曲線）3.下面是一段有關(guān)向量運算的MATLAB代碼:

>>y=[37115];

>>y(3)=2

運算后的輸出結(jié)果是（）A)32115

B)3725

C)27115

D)37112

4.下面是一段有關(guān)矩陣運算的MATLAB代碼:>>A=[1234;5678;9101112]；>>B=A(2,1:3)取出矩陣A中第二行第一個到第三個構(gòu)成矩陣B若A(2,3)=5將矩陣第二行第三列的元素置為5A=[A

B’]將B轉(zhuǎn)置后，再以列向量并入AA(：，2)=[]刪除第二列：代表刪除列A([1,4],:)=[]刪除第一和第四行：代表刪除行A=[A;4,3,2,1]加入第四行那么運算后的輸出結(jié)果是（）A)578

B)568

C)567

D)

6785.下面對MATLAB中的plot(x,y,s)函數(shù)敘說正確的是（）A)繪制以x、y為橫縱坐標(biāo)的連線圖(plot(x,y))B繪制多條不同色彩的連線圖(plot(x,y))C)默認(rèn)的繪圖顏色為藍(lán)色

D)如果s=’r+’，則表示由紅色的+號繪制圖形6.如果現(xiàn)在要對一組數(shù)據(jù)進行分類，我們不知道這些數(shù)據(jù)最終能分成幾類，那么應(yīng)該選擇（）來處理這些數(shù)據(jù)最適合。A)BP神經(jīng)網(wǎng)絡(luò)

B)RBF神經(jīng)網(wǎng)絡(luò)

C)SOM神經(jīng)網(wǎng)絡(luò)

D)ELMAN神經(jīng)網(wǎng)絡(luò)4.如果現(xiàn)在要對一組數(shù)據(jù)進行分類，我們已經(jīng)知道這些數(shù)據(jù)最終能分成幾類，那么應(yīng)該選擇（）來處理這些數(shù)據(jù)最適合。A)RBF神經(jīng)網(wǎng)絡(luò)

B)SOM神經(jīng)網(wǎng)絡(luò)C)BP神經(jīng)網(wǎng)絡(luò)

D)ELMAN神經(jīng)網(wǎng)絡(luò)7.一個只有單權(quán)值的神經(jīng)網(wǎng)絡(luò)，其誤差函數(shù)為e圖一who當(dāng)誤差函數(shù)對權(quán)值的偏導(dǎo)數(shù)如圖一所示，此時權(quán)值應(yīng)該向（）方向調(diào)整。A)增大

B)減少C)可能增大也可能減少D)不變8.單層感知器，它最大的缺點是只能解決線性可分的分類模式問題，要增強網(wǎng)絡(luò)的分類能力唯一的方法是采用多層網(wǎng)絡(luò)結(jié)構(gòu)，與單層感知器相比較，下面（）不是多層網(wǎng)絡(luò)所特有的特點。A)神經(jīng)元的數(shù)目可以達到很大

B)含有一層或多層隱單元

C)激活函數(shù)采用可微的函數(shù)

D)具有獨特的學(xué)習(xí)算法9.標(biāo)準(zhǔn)BP算法采用的是最速梯度下降法修正權(quán)值，該算法存在與輸入樣本的順序有關(guān)、收斂速度緩慢、易陷入局部極小等缺陷，為了克服算法中的不足，研究者們提出了許多改進算法，其中（）算法與其它三個算法的原理不一樣。A)附加動量的改進算法

B)使用擬牛頓法的改進算法

C)采用自適應(yīng)調(diào)整參數(shù)的改進算法

D)使用彈性方法的改進算法10.標(biāo)準(zhǔn)BP算法采用的是最速梯度下降法修正權(quán)值，該算法存在與輸入樣本的順序有關(guān)、收斂速度緩慢、易陷入局部極小等缺陷，為了克服算法中的不足，研究者們提出了許多改進算法，其中（）算法與其它三個算法的原理不一樣。A)基于共軛梯度法的改進算法B)附加動量的改進算法

C)使用擬牛頓法的改進算法

D)基于Levenberg-Marquardt法的改進算法10.nnToolKit

神經(jīng)網(wǎng)絡(luò)工具包中的函數(shù)可以在MATLAB環(huán)境下獨立運行，也可打包成COM對象被其它語言調(diào)用，但是不能被（）A)Visual

Basic

B)Visual

C++

C)C

D)C++Builder二、填空題（每空2分，共20分）1.人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANNs），也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs），是模擬生物神經(jīng)網(wǎng)絡(luò)進行信息處理的一種數(shù)學(xué)模型，以對大腦的生理研究成果為基礎(chǔ)，其目的在于模擬大腦的某些機理與機制，實現(xiàn)一些特定的功能。2.

人工神經(jīng)元模型可以看成是由3種基本元素組成一個連接，一個加法器，一個激活函數(shù)3.神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱為訓(xùn)練，指的是神經(jīng)網(wǎng)絡(luò)在受到外部環(huán)境的刺激下調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)，使神經(jīng)網(wǎng)絡(luò)以一種新的方式對外部環(huán)境做出反應(yīng)的一個過程。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為有導(dǎo)師學(xué)習(xí)，無導(dǎo)師學(xué)習(xí)，再勵學(xué)習(xí)4.神經(jīng)網(wǎng)絡(luò)的基本屬性反映了神經(jīng)網(wǎng)絡(luò)特點，它主要有并行分布式處理

、非線性處理

和具有自學(xué)習(xí)功能等。1.人工神經(jīng)網(wǎng)絡(luò)從生物神經(jīng)網(wǎng)絡(luò)發(fā)展而來，一個神經(jīng)元就是一個神經(jīng)細(xì)胞，在人類大腦皮層中大約有100億個神經(jīng)元。神經(jīng)元是基本的信息處理單元。生物神經(jīng)元主要由細(xì)胞體，樹突，軸突，突觸組成。2.學(xué)習(xí)算法是指針對學(xué)習(xí)問題的明確規(guī)則，學(xué)習(xí)類型是由參數(shù)變化發(fā)生的形式?jīng)Q定的，不同的學(xué)習(xí)算法對神經(jīng)元的權(quán)值調(diào)整的表達式是不同的。人工神經(jīng)網(wǎng)絡(luò)常用的算法有Hebb學(xué)習(xí)算法&學(xué)習(xí)算法，隨機學(xué)習(xí)算法，競爭學(xué)習(xí)算法等。三、綜合題（其中第1題20分，第2題20分，第三題10分，共50分）1、構(gòu)建一個有兩個輸入一個輸出的單層感知器，實現(xiàn)對表一中的數(shù)據(jù)進行分類，設(shè)感知器的閾值為0.6，初始權(quán)值均為0.1，學(xué)習(xí)率為0.6，誤差值要求為0，感知器的表一x1x2d000010100111激活函數(shù)為硬限幅函數(shù)，計算權(quán)值w1與w2。

2、構(gòu)建一個BP神經(jīng)網(wǎng)絡(luò)（網(wǎng)絡(luò)結(jié)構(gòu)見圖二）完成對表二中的數(shù)據(jù)分類，設(shè)初始連接權(quán)值全部為0.5，閾值為0，學(xué)習(xí)率為0.5，輸入層到隱含層，隱含層到輸出值的激活函數(shù)為單極SIGMOID函數(shù)，要求誤差e為0.1，當(dāng)輸入樣本（1