人工智能习题作业神经计算I习题答案
第五章 神经网络课后习题及答案
一、选择题：
1. 在BP算法中，设y=f(xi)为xi的平滑函数，想知道xi对y增大变化的情况，
我们可求 ，然后进行下列的哪一项？ （ B ）
A 取最小
B 取最大
C 取积分
D 取平均值
2. 对于反向传播学习，无论是在识别单个概念的学习或识别两个概念的学习中，都涉及到下列的哪一个操作？ （ A ）
A 权值的修正
B 调整语义结构
C 调整阀值
D 重构人工神经元
3. 根据Hopfield网络学习的特点，能实现联想记忆和执行线性和非线性规划等求解问题其应用没有涉及到下列的哪一个内容？ （ D ）
A 模糊推理模型
B 非线性辨认
C 自适应控制模型
D 图象识别
4. 对于神经网络的二级推理产生式规则由三个层次构成，它不含下列的哪一个层次？ （ C ）
A 输入层
B 输出层
C 中间层
D 隐层
5. 人工神经网络借用了生理神经元功能的一些描述方式，它涉及到下列的哪一些内容？ （ ABC ）
A 模拟神经元
B 处理单元为节点
C 加权有向图
D 生理神经元连接而成
6. 在应用和研究中采用的神经网络模型有许多种，下列的哪一些是具有代表性的？ （ ABD ）
A 反向传递（BP）
B Hopfield网
C 自适应共振
D 双向联想存储器
7. 下列的哪一些内容与反向传播学习算法有关？ （ ABCD ）
A 选取比率参数
B 误差是否满足要求
C 计算权值梯度
D 权值学习修正
8. 构造初始网络后，要用某种学习算法调整它的权值矩阵，使NN在功能上满足样例集给定的输入一输出对应关系，并由此产生推理，该矩阵必须满足下列的哪一个性质？ ( A )
A 收敛性
B 对称性
C 满秩性
D 稀疏性
9. 在人工神经元的功能描述中，往往会用一激发函数来表示输出，常用的一般非线性函数有下列的哪一些项？ ( ABD )
A 阀值型
B 分段线性强饱和型
C 离散型
D S i gm oid型
10. 基于神经网络的推理，其应用中必须涉及到下列的哪一些内容？ ( ACD )
A NN的结构模型
B NN的推理规则
C NN的学习算法
D 从NN到可解释的推理网
二、填空题：
1. 前馈网络是一种具有很强学习能力的系统，结构简单，易于编程。前馈网络通
过简单非线性单元的复合映射而获得较强的非线性处理能力，实现静态_非线性映射___。
2. 基于神经网络的学习是研究如何使用人工神经网络来模拟生理神经元的特性，并讨论了__反向传播__如何改变一个模拟神经元对另一个模拟神经元的作用
3. 生理神经元由一个细胞体和突两部分组成。突分两类，即轴突和_树突___。
三、简答题：
1. 人工神经网络为什么具有诱人的发展前景和潜在的广泛应用领域？
人工神经网络具有如下至关重要的特性：
(1) 并行分布处理
适于实时和动态处理
(2)非线性映射
给处理非线性问题带来新的希望
(3) 通过训练进行学习
一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题
05网全部答案(4) 适应与集成
神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号，实现信息集成和融合，适于复杂，大规模和多变量系统
(5) 硬件实现
一些超大规模集成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的网络。
2. 简述生物神经元及人工神经网络的结构和主要学习算法。
生物神经元
大多数神经元由一个细胞体(c ell b ody或s o ma)和突(p r o c e ss)两部分组成。突
分两类， 即轴突(a xo n)和树突(de n d r i t e)，轴突是个突出部分，长度可达
1m，把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。
轴突的末端与树突进行信号传递的界面称为突触(s y na p s e)，通过突触向其它神经元发送信息。对某些突触的刺激促使神经元触发(fi r e)。只有神经元所有输入的总效应达到阈值电平，它才能开始工作。此时，神经元就产生一个全强度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。
每个人脑大约含有10^11-10^12个神经元，每一神经元又约有10^3-10^4个突触。神经元通过突触形成的网络，传递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络体，用于实现记忆与思维。
人工神经网络的结构
人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。
人工神经网络的结构分为2类，
(1)递归(反馈)网络
有些神经元的输出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield网络，E l mm络和J o r d 络是代表。
(2) 前馈网络
具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器(ML P)，学习矢量量化网络(LVQ)，小脑模型连接控制网络(C M AC)和数据处理方法网络(GM DH)是代表。
人工神经网络的主要学习算法
(1) 指导式(有师)学习
根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括Del ta
规则，广义Del ta规则，反向传播算法及LVQ算法。
(2) 非指导(无导师)学习
训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括K o h o n e n算法，C ar pe nt e r-Gr o ssb e rg自适应谐振理论(A RT) (3) 强化学习
是有师学习的一种特例。它不需要老师给出目标输出，而是由一个“评论员”来评介与给定输入相对应的神经网络输出的优度。例如遗传算法(G A)