人工神经网络复习题
神经网络试卷（A卷）（含答案）
08 –09 学第一学：神经网络计算机科学与技术（医学智能方向）06：：：v······yy··················yy3. 在MA TLAB中，下面的（○3）命令可以使用得下次绘制的图和已经绘制的图将不在同一张图上。
不在同一张图上。
A) hold on（设置在同一张图绘制多条曲线）（设置在同一张图绘制多条曲线）B) figure （下次的图和已绘制的不在同一张图上）C) plot D) hold off（取消在同一张图绘制多条曲线）3.下面是一段有关向量运算的MA TLAB代码: >>y= [3 7 11 5]; >>y(3) = 2 运算后的输出结果是（○8）A) 3 2 11 5 B) 3 7 2 5C) 2 7 11 5 D) 3 7 11 2 4. 下面是一段有关矩阵运算的MA TLAB代码: >>A = [1 2 3 4; 5 6 7 8; 9 10 11 12]；>>B = A(2,1:3)取出矩阵A中第二行第一个到第三个构成矩阵B 若A(2,3)=5将矩阵第二行第三列的元素置为5 A=[A B’]将B转置后，再以列向量并入A A(：，2)=[]删除第二列：代表删除列A([1,4],:)=[]删除第一和第四行：代表删除行A=[A;4,3,2,1]加入第四行那么运算后的输出结果是（○9）A) 5 7 8 B) 5 6 8 C) 5 6 7D) 6 7 8 plot(x,y,s),s)函数叙说正确的是（○10）5.下面对MA TLAB中的中的 plot(x,yA) 绘制以x、y为横纵坐标的连线图(plot(x,y)) B绘制多条不同色彩的连线图绘制多条不同色彩的连线图 (plot(x,y))C) 默认的绘图颜色为蓝色D) 如果s=’r+’，则表示由红色的+号绘制图形6. 如果现在要对一组数据进行分类，我们不知道这些数据最终能分成几类，那么应）来处理这些数据最适合。
《人工神经网络：模型、算法及应用》习题参考答案
习题2.1什么是感知机？感知机的基本结构是什么样的？解答：感知机是Frank Rosenblatt在1957年就职于Cornell航空实验室时发明的一种人工神经网络。
它可以被视为一种最简单形式的前馈人工神经网络，是一种二元线性分类器。
感知机结构：2.2单层感知机与多层感知机之间的差异是什么？请举例说明。
解答：单层感知机与多层感知机的区别：1. 单层感知机只有输入层和输出层，多层感知机在输入与输出层之间还有若干隐藏层；2. 单层感知机只能解决线性可分问题，多层感知机还可以解决非线性可分问题。
2.3证明定理：样本集线性可分的充分必要条件是正实例点集所构成的凸壳与负实例点集构成的凸壳互不相交.解答：首先给出凸壳与线性可分的定义凸壳定义1：设集合S⊂R n，是由R n中的k个点所组成的集合，即S={x1,x2,⋯,x k}。
定义S的凸壳为conv(S)为：conv(S)={x=∑λi x iki=1|∑λi=1,λi≥0,i=1,2,⋯,k ki=1}线性可分定义2：给定一个数据集T={(x1,y1),(x2,y2),⋯,(x n,y n)}其中x i∈X=R n , y i∈Y={+1,−1} , i=1,2,⋯,n ,如果存在在某个超平面S：w∙x+b=0能够将数据集的正实例点和负实例点完全正确地划分到超平面的两侧，即对所有的正例点即y i=+1的实例i，有w∙x+b>0，对所有负实例点即y i=−1的实例i，有w∙x+b<0，则称数据集T为线性可分数据集；否则，称数据集T线性不可分。
必要性：线性可分→凸壳不相交设数据集T中的正例点集为S+，S+的凸壳为conv(S+)，负实例点集为S−，S−的凸壳为conv(S−)，若T是线性可分的，则存在一个超平面：w ∙x +b =0能够将S +和S −完全分离。
假设对于所有的正例点x i ，有：w ∙x i +b =εi易知εi >0，i =1，2，⋯，|S +|。
人工神经网络原理第7章习题参考答案
1.试述自组织神经网络中“自组织”的含义。
自组织神经网络采用类似于人类大脑生物神经网络的无指导学习方式，能够对外界未知环境进行学习或模拟，并对自身的网络结构进行调整，实现对输入模式的自动分类。
在调整网络结构时，网络按照预定的规则和输入模式，不断调整网络连接权值直至形成一种全局有序的结构，而这种全局有序的结构是通过网络中许多相邻神经元的局部相互作用形成的，这些相邻神经元之间的相互作用最终会使网络在空间模式或时间节奏上达成一致，这也是自组织的本质。
2. 若某一基本竞争神经网络的输入层有5个节点，竞争层有3个节点。
网络的6个学习模式为X 1=(1,0,0,0,0)T ，X 2=(1,0,0,0,1)T ，X 3=(1,1,0,1,0)T ，X 4=(1,1,0,1,1)T ，X 5=(0,0,1,1,0)T ，X 6=(0,0,1,1,1)T ，试计算这6个学习模式的汉明距离。
6个学习模式的汉明距离X 1 X 2 X 3 X 4 X 5 X 6 X 1 0 1 2 3 3 4 X 2 1 0 3 2 4 3 X 3 2 3 0 1 3 4 X 4 3 2 1 0 4 3 X 5 3 4 3 4 0 1 X 6434313. 采用竞争学习规则，通过训练将第2题中的6个学习模式进行分类，试比较训练后的分类结果和通过汉明距离得到分类结果。
按照前面描述的竞争学习规则对第2题的6个学习模式进行记忆训练，假定学习速率为0.5，网络的初始连接权值如下：⎪⎪⎪⎪⎪⎪⎭⎫⎝⎛=2.03.02.02.02.03.01.02.02.02.01.02.03.02.01.0W网络的学习过程如下：t =1 X 1=(1,0,0,0,0)T 竞争层各个神经元的净输入为 s 1=w 11x 1+w 21x 2+w 31x 3+w 41x 4+w 51x 5=0.1*1+0.2*0+0.2*0+0.3*0+0.2*0=0.1 s 2=w 12x 1+w 22x 2+w 32x 3+w 42x 4+w 52x 5=0.2*1+0.1*0+0.2*0+0.2*0+0.3*0=0.2 s 3=w 13x 1+w 23x 2+w 33x 3+w 43x 4+w 53x 5=0.3*1+0.2*0+0.1*0+0.2*0+0.2*0=0.3因此，竞争层各个神经元的输出为 y 1=0 y 2=0 y 3=1调整后的连接权如下 w 13=0.3+0.5*(1/1-0.3)=0.65 w 23=0.2+0.5*(0/1-0.2)=0.1 w 33=0.1+0.5*(0/1-0.1)=0.05 w 43=0.2+0.5*(0/1-0.2)=0.1 w 53=0.2+0.5*(0/1-0.2)=0.1t =2 X 2=(1,0,0,0,1)T 竞争层各个神经元的净输入为 s 1=w 11x 1+w 21x 2+w 31x 3+w 41x 4+w 51x 5=0.1*1+0.2*0+0.2*0+0.3*0+0.2*1=0.3 s 2=w 12x 1+w 22x 2+w 32x 3+w 42x 4+w 52x 5=0.2*1+0.1*0+0.2*0+0.2*0+0.3*1=0.5 s 3=w 13x 1+w 23x 2+w 33x 3+w 43x 4+w 53x 5=0.65*1+0.1*0+0.05*0+0.1*0+0.1*1=0.75因此，竞争层各个神经元的输出为 y 1=0 y 2=0 y 3=1 调整后的连接权如下w 13=0.65+0.5*(1/2-0.65)=0.575 w 23=0.1+0.5*(0/2-0.1)=0.05 w 33=0.05+0.5*(0/2-0.05)=0.025 w 43=0.1+0.5*(0/2-0.1)=0.05 w 53=0.1+0.5*(1/2-0.1)=0.3 t =3 X 3=(1,1,0,1,0)T 竞争层各个神经元的输入为 s 1=w 11x 1+w 21x 2+w 31x 3+w 41x 4+w 51x 5=0.1*1+0.2*1+0.2*0+0.3*1+0.2*0=0.6 s 2=w 12x 1+w 22x 2+w 32x 3+w 42x 4+w 52x 5=0.2*1+0.1*1+0.2*0+0.2*1+0.3*0=0.5 s 3=w 13x 1+w 23x 2+w 33x 3+w 43x 4+w 53x 5=0.575*1+0.05*1+0.025*0+0.05*1+0.3*0=0.675 因此，竞争层各个神经元的输出为y 1=0 y 2=0 y 3=1 调整后的连接权如下w 13=0.575+0.5*(1/3-0.575)=0.4542 w 23=0.05+0.5*(1/3-0.05)=0.1917 w 33=0.025+0.5*(0/3-0.025)=0.0125 w 43=0.05+0.5*(1/3-0.05)=0.1917 w 53=0.3+0.5*(0/3-0.3)=0.15 ……按照上述过程经过多次学习后，网络会得到如下分类结果，与通过汉明距离分析的结果完全一致。
《人工神经网络原理与应用》试题
《人工神经网络原理与应用》试题1、试论述神经网络的典型结构，常用的作用函数以及各类神经网络的基本作用，举例说明拟定结论。
2、试论述BP 算法的基本思想，讨论BP 基本算法的优缺点，以及改进算法的思路和方法。
以BP 网络求解XOR 问题为例，说明BP 网络隐含层单元个数与收敛速度，计算时间之间的关系。
要求给出计算结果的比较表格，以及相应的计算程序（.m 或者.c ）3、试论述神经网络系统建模的几种基本方法。
利用BP 网络对以下非线性系统进行辨识。
非线性系统 )(5.1)1()(1)1()()1(22k u k y k y k y k y k y +-++-=+ 1）首先利用[-1,1]区间的随机信号u(k)，样本点500，输入到上述系统，产生y(k), 用于训练BP 网络；2）网络测试，利用u(k)=sin(2*pi*k/10)+1/5*sin(2*pi*k/100),测试点300～500，输入到上述系统，产生y(k),检验BP 网络建模效果要求给出程序流程，matlab 程序否则c 程序，训练样本输入输出图形，检验结果的输入输出曲线。
4、试列举神经网络PID 控制器的几种基本形式，给出相应的原理框图。
5、试论述连续Hopfield 网络的工作原理，讨论网络状态变化稳定的条件。
6、谈谈学习神经网络课程后的心得体会，你准备如何在你的硕士（博士）课题中应用神经网络理论和知识解决问题（给出一到两个例）。
《人工神经网络原理与应用》试题1、试论述神经网络的典型结构，常用的作用函数以及各类神经网络的基本作用，举例说明拟定结论。
2、试论述BP 算法的基本思想，讨论BP 基本算法的优缺点，以及改进算法的思路和方法。
以BP 网络求解XOR 问题为例，说明BP 网络隐含层单元个数与收敛速度，计算时间之间的关系。
要求给出计算结果的比较表格，以及相应的计算程序（.m 或者.c ）3、试论述神经网络系统建模的几种基本方法。
机器学习与人工智能(人工神经网络)习题与答案
1.非线性机器学习算法具有以下的什么特性？A.针对难以用准则来描述的复杂模型B.能够达到更深层次的抽象C.能够进行广泛使用的分类算法D.以上都是正确答案：D2.神经网络的学习步骤包括：1、求得权重等参数，2、定义代价函数，3、对测试数据进行预测，4、根据样本数据和标签采用梯度下降法进行学习，步骤的正确顺序为：A.4213B.2413C.2143D.4123正确答案：B二、判断题1.单层感知器能对线形可分的数据集进行分类，能解决逻辑问题异或。
正确答案：×2.前馈神经网络中偏置单元可以有输入。
正确答案：×3.在某种意思上，小批量梯度下降算法是以迭代次数换取算法的运行速度。
正确答案：√4.神经网络中的神经元有两个状态：兴奋、抑制。
这两个状态由阈值决定。
正确答案：√5.前馈式神经网络层间有反馈。
6.小批量梯度下降法在迭代的每一步中，参数的更新只用了小批量样本的信息。
正确答案：√7.小批量梯度下降法和随机梯度下降算法收敛可能需要更多的迭代次数正确答案：√三、多选题1.使用均方误差作为代价函数，有什么特点？( )A.形式简单B.通俗易懂C.容易出现饱和现象D.容易陷入局部最优解正确答案：A、B、C、D2.感知器可以解决一下哪些问题？( )A.实现逻辑关系中的与B.实现逻辑关系中的或C.实现逻辑关系中的非D.线性分类和线性回归问题正确答案：A、B、C、D3.神经网络具有下面哪几个特点？( )A.能充分逼近复杂的非线性关系B.具有高度的容错能力C.具有自组织能力D.可以并行分布处理正确答案：A、B、C、D4.以下会造成梯度消失的激活函数有( )。
A.sigmoid函数B.tanh函数C.ReLU函数D.softplus函数正确答案：A、B四、填空1.在（）模型中，每个神经元同时将自身的输出作为输入信号反馈给其他神经元。
正确答案：反馈神经网络。
人工智能概论习题答案第3章 人工神经网络作业 20210307
一、单项选择题1.人工神经网络是人工智能的三大流派思想中哪个流派的基础。
(B）A.符号主义B.连接主义(或称为仿生学派）C.行为主义D.逻辑推理主义2.以下关于感知器的说法错误的是（A）。
A.单层感知器可以解决异或问题B.感知器分类的原理是就是通过调整权重使两类不同的样本经过感知机模型后的输出不同C.单层感知器只能针对线性可分的数据集分类D.学习率可以控制每次权值调整力度3.人工神经网络的层数增加会出现梯度消失现象，其本质原因是（C）。
A.各层误差梯度相加导致B.各层误差梯度相减导致C.各层误差梯度相乘导致D.误差趋于饱和4.卷积层的主要作用是（A）A.提取图像特征B.降低输入维度C.解决梯度消失和梯度爆炸问题D.进行某种非线性变换二、多项选择题1.知识可以从以下哪几个维度来进行分类（AC）。
A.是否可统计B.是否可计算C.是否可推理D.是否可被人理解2.人工神经网络由许多神经元构成，M-P模型的主要特征包括（ABD）。
A.多输入单输出B.对输入加权求和C.具有树突和轴突D.具有激活函数3.卷积神经网络的结构主要包括（ABCD）。
A.卷积层B.池化层C.全连接层D.输入层三、判断题1.人工神经网络的层数是固定的，每层的神经元个数是不固定的（错）2.BP神经网络的误差是从前往后传播的（错）3.卷积神经网络的层数一般超过三层（对）四、简答题1.感知机是如何实现从数据中学习的？答：通过训练数据得到误差，再根据误差来调整权值，让再次计算训练数据得到的误差减小，最终达到无误差。
这时候得到的权值就称为学习到关于这些数据的知识。
2.什么是梯度，什么是梯度的方向？答：梯度就是把多元函数关于各个变量的偏导数放在一起构成的向量（也称为矢量）。
梯度方向表示当函数的各个变量都按照各自偏导数的比例进行增加时，各个增加量合起来构成的方向，是函数值变化最快的方向。
3.有A类物体和B类物体，均有两个类似的特征值。
以下有三个属于A类的样本，每个样本的特征值分别为[0.1, 1]，[0.2, 0.7]，[0.4, 0.8]，样本标签用1表示；有三个属于B类的样本，其特征值分别为[0.8, 0.3]，[0.9, 0.2]，[1.0, 0.5]，样本标签用0表示。
人工神经网络原理第6章习题参考答案
1.随机型神经网络的特点是什么？(1) 神经元的净输入不能决定其输出状态为0或1，决定神经元输出状态的是值为1或0的概率；(2) 在网络学习阶段，随机型神经网络并不基于某种确定性算法调整网络连接权值，而是按照某种概率分布进行处理；(3) 在网络运行阶段，随机型神经网络不是按照某种确定性的网络方程进行状态演变，而是按照某种概率分布决定网络状态的转移。
2.试述Boltzmann机的特点，并比较其与离散型Hopfield网络的异同。
从网络结构看，与离散型Hopfield神经网络相同的是，Boltzmann机网络为单层全互连结构，各个神经元之间采用双向对称连接方式，并且每个神经元到自身都无反馈；但与离散型Hopfield神经网络不同的是，Boltzmann机同时又考虑到了多层网络的特点，将神经元按照功能分为可视层与隐含层两大部分，其中的可视层又可以继续分为输入部分和输出部分，但是这些层次在Boltzmann机中并没有明显的划分界限。
从处理单元模型看，Boltzmann机网络的每个神经元的输出均为0、1二值离散输出，n 个神经元的状态集合构成了Boltzmann机网络的状态，即在给定时刻t，Boltzmann机网络的状态为X(t)=(x1, x2, …, x n)，但与离散型Hopfield神经网络不同的是，Boltzmann机中的神经元不能通过其输入状态获得确定的输出状态，它的输出状态要由神经元净输入状态的概率决定，不同的净输入状态对应不同的输出状态概率。
从能量函数看，随着Boltzmann机的运行，从概率意义上说，网络的能量呈下降趋势。
这意味着在网络状态的演化过程中，尽管网络能量总的变化趋势是下降的，但不能排除在某一时刻某个神经元按照小概率事件进行状态变化，从而使网络的能量暂时上升；而随着离散型Hopfield神经网络的运行，王的能量是单调递减的。
3.为什么Boltzmann机可以避免陷入局部极小点？Boltzmann机的网络能量在概率意义上呈单调下降趋势，即在网络状态变化过程中，网络能量总的趋势是下降的，但也存在能量暂时上升的可能性，这种可能性使得Boltzmann机具有了跳出局部极小点的能力。
人工神经网络原理第8章习题参考答案
1.人工神经网络适合于解决哪些问题？试举例说明。
人工神经网络技术在处理对内部规律不甚了解，也不能用一组规则和方程等数学表达式描述的较为复杂的问题时具有一定的优越性，尤其对容错性有一定要求的任务，例如图形的检测与识别、诊断、特征提取、推论等，人工神经网络都是比较合适的处理手段，对于上述任务，即使输入数据是模糊的或不完善的，人工神经网络仍然能够对其进行处理。
示例略。
2.一个人工神经网络应用的开发要经过哪些阶段？明确需求、选取模型、设计神经网络节点、设计神经网络结构、设计神经网络训练算法、选择训练和测试样本、网络训练与测试、实现神经网络。
3.若要用神经网络实现对0~9十个数字字符的识别，应当如何选取适当的人工神经网络模型？参见表8-1，可以选择BP、Hopfield等神经网络模型。
4.若要实现一个简单的交通标志识别系统，应当如何选取适当的人工神经网络模型？参见表8-1，可以选择BP、Hopfield等神经网络模型。
5.若有一个私人医生，每天可接受10个预约病人的上门服务。
若要为该医生设计一条当天的巡诊路线，以使该医生的巡诊距离最短，应当如何选取适当的人工神经网络模型？这是一个优化问题，可以选择Hopfield神经网络。
6.试述对习题2、3、4中选取的人工神经网络模型进行设计开发的全过程。
略。
7.有如下几种模型，其特性如表8-4所示。
表8-4 人工神经网络模型的基本性能若要开发一个贷款评估人工神经网络，要求能够根据借贷申请人的月收入、生活费用支出、房租、水、电、交通费用支出及其他费用支出来实时地分析这一贷款申请是否合格。
如合格，则批准申请给予贷款，否则给予拒绝。
请从表8-4列出的人工神经网络模型中选择一个适合该贷款评估应用的模型，并阐明原因。
可根据输出类型（例如，此题是一个分类问题，而不是优化问题）、训练方法、要求的训练时间和执行时间等选取各项指标都符合具体需求的模型。
此题只是一个示例，让读者掌握如何选取适当的人工神经网络模型，具体选取过程略。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《神经网络原理》 一、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+△t)=v(t)，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：（1）、信息分布存储和容错性。 （2）、大规模并行协同处理。 （3）、自学习、自组织和自适应。 （4）、人工神经元网络是大量的神经元的集体行为，表现为复杂的非线性动力学特性。 （5）人式神经元网络具有不适合高精度计算、学习算法和网络设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：（1）、空间相加性；（2）、时间相加性；（3）、阈值作用；（4）、不应期；（5）、可塑性；（6）疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x的关系如下图，试述它们分别有几个平衡状态，是否为稳定的平衡状态？
答：在图（1）中，有两个平衡状态a、b，其中，在a点曲线斜率|F’(X)|>1，为非稳定平稳状态；在b点曲线斜率|F’(X)|<1，为稳定平稳状态。 在图（2）中，有一个平稳状态a，且在该点曲线斜率|F’(X)|>1，为非稳定平稳状态。
X F(X) 0 a b (1) X F(X) 0 a (2) 5、对于单个神经元的离散模型，Hebb学习假设是什么，基本学习方程是什么？ 答：对于单个神经元的离散模型，Hebb学习假设是：只有当神经元兴奋时，与其连接的突触结合权才被强化而增大；当两个神经元同时处于兴奋状态时，它们之间的连接权应该加强。 基本学习方程是：jiijijijxynwnww)()1( 6、联想形式中的自联想和异联想有何区别？ 答：自联想指的是由某种代表事物（或该事物的主要特征或可能是部分主在特征）联想到其所表示的实际事物。其数学模型为：当输入X＝X0+V时，输出Y=X0。异联想指的是由某一事物（或该事物的主要特征或可能是部分主在特征）联想到与其相关的另一事物。其数学模型为：在映射X0→Y0下，当输入X＝X0+V时，输出Y=Y0。 7、网络的稳定吸引子和吸引子的吸引域分别指什么？ 答：当t=0时，对网络输入模式x，网络处于状态v(0)，到时刻t网络达到状态v(t)，若v(t)稳定，则称v(t)为网络的稳定吸引子。 吸引子的吸引域是指所有经过一定时间能够稳定在吸引子v(t)上的所有初始状态的集合。 三、论述题 1、 前馈式神经元网络与反馈式神经元网络有何不同？ 答：（1）、前馈型神经元网络取连续或离散变量，一般不考虑输出与输入在时间上的滞后效应，只表达输出与输入的映射关系。反馈式神经元网络可以用离散变量也可以用连续取值，考虑输出与输入之间在时间上和延迟，需要用动态方程来描述系统的模型。 （2）、前馈型网络的学习主要采用误差修正法（如BP算法），计算过程一般比较慢，收敛速度也比较慢。而反馈型网络主要采用Hebb学习规则，一般情况下计算的收敛速度很快。 反馈网络也有类似于前馈网络的应用，例如用作联想记忆或分类，而在优化计算方面的应用更能显出反馈网络的特点。 2、 试述离散型Hopfield神经元网络的结构及工作原理。 （1） Hopfield神经元网络的结构如下： ① 这种网络是一种单层网络，由n个单元组成。 ②每个神精元既是输入单元，又是输出单元；各节点一般选用相同的转移函数，且为符号函数，即： ③ 为网络的输入； 为网络的输出； 为网络在时刻t 的状态，其中t∈{0，1，2，···} 为离散时间变量。 ④Wij为从Ni到Nj的连接权值，Hopfield网络为对称的即有Wij = Wji 。
)sgn()()()(21xxfxfxfnn
nyyyyy1,1),,,,(21
n
ntvtvtvtvtv1,1)()),(,),(),(()(21
n
nxxxxx1,1),,,,(21 （2）、工作原理： ①、网络经过训练后，可以认为网络处于等待工作状态，对网络给定初始输入x时，网络就处于特定的初始状态，由此初始状态开始运行，可以得到网络的下一个输出状态。 ②、这个输出状态通过反馈回送到网络的输入端，作为网络下一个阶段的输入信号，这个输入信号可能与初始输入信号不同，由这个新的输入又可得到下一步的输出,如此重复。 ③、如果网络是稳定的，经过若干次反馈运行后网络将会达到稳态。 ④、Hopfield网络的工作过程可用下式表示：
N1 N2 Nn-1 Nn x1 x2 xn-1 xn y1 y2 Yn-1 yn … V1(t)
V2(t) Vn-1(t) Vn(t)
w21
Wn-1 2
))(()1()0(1jniiijjjjjtvwftvxv研究生神经网络试题A卷参考答案 一、名词解释(共5题，每题5分，共计25分) 1、泛化能力 答：泛化能力又称推广能力，是机器学习中衡量学习机性能好坏的一个重要指标。泛化能力主要是指经过训练得到的学习机对未来新加入的样本（即测试样本）数据进行正确预测的能力。
2、有监督学习 答：有监督学习又被称为有导师学习，这种学习方式需要外界存在一个“教师”，她可以对一组给定输入提供应有的输出结果，学习系统可根据已知输出与实际输出之间的差值来调节系统参数。
3、过学习 答：过学习（over-fitting），也叫过拟和。在机器学习中，由于学习机器过于复杂，尽管保证了分类精度很高（经验风险很小），但由于VC维太大，所以期望风险仍然很高。也就是说在某些情况下，训练误差最小反而可能导致对测试样本的学习性能不佳，发生了这种情况我们称学习机（比如神经网络）发生了过学习问题。典型的过学习是多层前向网络的BP算法
4、Hebb学习规则 答：如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强。如果用iv、jv表示神经元i和j的激活值(输出)，ij表示两个神经元之间的连接权，
则Hebb学习规则可以表示为： ijijwvv ，这里表示学习速率。Hebb学习规则是人工神经网络学习的基本规则，几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形。
5、自学习、自组织与自适应性 答：神经网络结构上的特征是处理单元的高度并行性与分布性，这种特征使神经网络在信息处理方面具有信息的分布存储与并行计算而且存储与处理一体化的特点。而这些特点必然给神经网络带来较快的处理速度和较强的容错能力。能力方面的特征是神经网络的自学习、自组织与自性适应性。自适应性是指一个系统能改变自身的性能以适应环境变化的能力，它包含自学习与自组织两层含义。自学习是指当外界环境发生变化时，经过一段时间的训练或感知，神经网络能通过自动调整网络结构参数，使得对于给定输入能产生期望的输出。自组织是指神经系统能在外部刺激下按一定规则调整神经元之间的突触连接，逐渐构建起神经网络。也就是说自组织神经元的学习过程，完全是一种自我学习的过程，不存在外部教师的示教。
二、问答题（共7题，每题8分，共计56分） 3、人工神经网络是模拟生物神经网络的产物，除相同点外，它们还存在哪些主要区别？
答; 1．单元上的差别 对于生物神经元而言，影响突触传递信息强度的因素很多、很复杂。如突触前微细胞的大小与多少、神经传递化学物质含量的多少、神经传递化学物质释放的速度、突触间隙的变化、树突的位置与大小等诸多因素都会对突触电位产生影响，从而影响神经元的输出脉冲响应。而人工神经元则忽略了这些影响，输入、输出关系十分简单。 2．信息上的差别 生物神经元传递的信息是脉冲，而人工神经元传递的信息是模拟电压。 3．规模与智能上的差别 目前，人工神经网络的规模还远小于生物神经网络，网络中神经元的数量一般在104个以下，显然，其智能也无法与生物神经网络相比。
4、感知器神经网络存在的主要缺陷是什么？ 答: 1)由于感知器的激活函数采用的是阀值函数，输出矢量只能取0或1，所以
只能用它来解决简单的分类问题； 2)感知器仅能够线性地将输入矢量进行分类。理论上已经证明，只要输人矢量是线性可分的，感知器在有限的时间内总能达到目标矢量； 3)感知器还有另外一个问题，当输入矢量中有一个数比其他数都大或小得很多时，可能导致较慢的收敛速度。
5、请比较前馈型神经网络与反馈型神经网络的异同点。（8分） 答：前馈型神经网络只表达输入输出之间的映射关系，实现非线性映射；反馈型
神经网络考虑输入输出之间在时间上的延迟，需要用动态方程来描述，反馈型神