Главная / Нейрокомпьютерные системы

Нейрокомпьютерные системы - ответы на тесты Интуит

Излагаются основы построения нейрокомпьютеров. Дается детальный обзор и описание важнейших методов обучения нейронных сетей различной структуры, а также задач, решаемых этими сетями. Рассмотрены вопросы реализации нейронных сетей.

Список вопросов:

# Что в наибольшей степени влияет на результат работы нейронной сети?
# Что является главным результатом Розенблатта?
# Какую парадигму искусственного интеллекта реализуют нейронные сети?
# К чему приводит отказ компонента (нейрона или синаптической связи) сети?
# В чем заключается обучение нейронной сети?
# На какие классы нейронные сети делятся по структуре?
# Каковы типичные приложения нейронных сетей?
# Какие из перечисленных ниже свойств характерны для нейронных сетей?
# Какую функцию реализует ассоциативная память?
# Какие из нижеперечисленных особенностей присущи традиционным вычислительным системам?
# Что представляет собой задачник при обучении нейронных сетей?
# Как нейрон МакКаллока-Питса определяет свое состояние?
# В каких областях применяются нейрокомпьютеры?
# Какие состояния имеют нейроны МакКаллока-Питса?
# Как должен изменяться вес входа нейрона по правилу Хебба?
# Какие условия являются достаточными для сходимости переходных процессов в сети Хопфилда?
# Как связаны между собой нейроны второго слоя сети Хемминга?
# Какие нейроны используются в устройствах ассоциативной памяти?
# Чему равно расстояние Хемминга между двумя векторами?
# На запоминание каких систем векторов рассчитана сеть Хопфилда при обучении по правилу Хебба?
# В каком слое сети Хемминга вычисляется расстояние Хемминга между входным вектором и вектором весов нейрона?
# К какому типу относится двунаправленная ассоциативная память?
# Какой из нейронов второго слоя сети Хемминга побеждает все остальные нейроны этого слоя?
# Какие пары векторов запоминает двунаправленная ассоциативная память?
# Что является общей чертой рекуррентных сетей?
# В каком режиме функционирует второй слой сети Хемминга?
# Что такое автосвязь?
# Благодаря чему рекуррентные сети можно использовать в качестве ассоциативной памяти?
# Какой метод обучения обеспечивает большую емкость ассоциативной памяти на основе сети Хопфилда?
# Что считается достоинством сети Хемминга?
# Какие сети Хопфилда дают лучшие по качеству решения задачи коммивояжера?
# Какие значения функции энергии соответствуют более коротким маршрутам в задаче коммивояжера?
# Как ведет себя сеть Хопфилда при малых значениях производной сигмовидной функции активации в окрестности нуля?
# Какое состояние машины Больцмана считается соседним для данного состояния?
# Какие значения консенсуса соответствуют более коротким маршрутам в задаче коммивояжера?
# Как изменяется при понижении температуры вероятность перехода машины Больцмана в состояние с меньшим консенсусом?
# Как интерпретируется отрицательный весовой коэффициент связи в машине Больцмана?
# Какие связи в машине Больцмана, решающей задачу коммивояжера, обеспечивают хотя бы по одной единице в каждом столбце и в каждой строке матрицы нейронов?
# Какая сеть дает лучшие решения задачи коммивояжера?
# Какой член функции энергии равен нулю, если каждая строка матрицы нейронов содержит не более одной единицы?
# Какой член функции энергии равен нулю, если каждый столбец матрицы нейронов в задаче коммивояжера содержит не более одной единицы?
# Какой член функции энергии равен нулю, если матрица нейронов содержит количество единиц, равное числу городов в маршруте коммивояжера?
# Что гарантируют связи смещений в машине Больцмана при решении задачи коммивояжера?
# Какой член функции энергии численно равен длине маршрута коммивояжера?
# Когда активна связь (Xi,Yj) ∈ Ed машины Больцмана?
# Как задана обратная связь в сети RMLP?
# В каких случаях рекуррентные нейронные сети являются удобным инструментом прогнозирования временных рядов?
# Для чего используется идентифицированная модель объекта?
# Для чего предназначена сеть Эльмана?
# Что понимается под "памятью" экстраполятора?
# Как задана обратная связь в сети Эльмана?
# Чем сеть RTRN отличается от сети Эльмана?
# Какая величина минимизируется при идентификации динамического объекта нейронной сетью?
# Для чего используется сеть RTRN?
# Чему равно значение погрешности, управляющей процессом уточнения параметров нейронной сети RMLP?
# Какие данные образуют множество входных сигналов скрытого слоя сети Эльмана?
# Какие данные образуют множество входных сигналов скрытого слоя сети RMLP?
# Какие методы можно применять для прогноза временных рядов?
# Применим ли алгоритм обратного распространения ошибки к обучению рекуррентных персептронных сетей?
# К какой задаче в общем случае сводится задача прогноза данных на нейронной сети?
# По какому признаку в методе динамических ядер вектор сигналов относится к заданному классу?
# Когда производится слияние двух классов?
# Когда в задаче классификации без учителя можно перейти от использования квадрата евклидова расстояния между входным сигналом и ядром к скалярному произведению входного сигнала и ядра?
# Какое правило обучения реализует алгоритм WTM?
# Какой тип соседства дает лучшие результаты обучения карты Кохонена?
# Какой алгоритм самоорганизации поощряет нейроны с наименьшей активностью?
# Какой вариант компрессии данных реализует сеть Кохонена?
# На каком свойстве сети Кохонена основана компрессия данных?
# Что минимизируется при компрессии данных сетью Кохонена?
# Каким образом производится отнесение объекта к определенному классу при классификации без учителя?
# Какие нейроны изменяют свои веса при обучении сети Кохонена алгоритмом WTM?
# Какой тип соседства используется в классическом алгоритме Кохонена?
# Какие данные образуют кодовую таблицу при компрессии?
# Каким образом определяется количество классов в методе динамических ядер?
# Чем определяется степень адаптации нейронов-соседей при использовании соседства гауссовского типа?
# Какой слой сети АРТ осуществляет запоминание векторов данных?
# Благодаря какому свойству слоя распознавания только один нейрон в слое может быть активирован?
# Способна ли сеть АРТ классифицировать зашумленные векторы?
# Когда схема сброса считает плохим сходство векторов x и С?
# Какой сигнал разрешает работу слоя распознавания?
# Чему равен порог нейрона в слое сравнения?
# В каком случае вектор x проходит на выход слоя сравнения без изменений?
# На каком этапе решения задачи классификации сетью АРТ модуль сброса вычисляет второй критерий сходства?
# Какое устройство тормозит нейроны в слое распознавания?
# В чем заключаются положительные качества сети АРТ?
# Из какого интервала берется значение порога схемы сброса?
# Как влияет значение порога схемы сброса на качество работы слоя распознавания?
# Какой тип обучения используется в сетях АРТ?
# Какого типа нелинейность используется в нейронах слоя сравнения?
# Какой нейрон в слое распознавания подавляет все остальные?
# Какие из перечисленных ниже свойств присущи традиционным (четким) нейронным сетям?
# Какие методы включает в себя вычислительный интеллект (мягкие вычисления)?
# Какие из следующих особенностей отличают мягкие экспертные системы от нечетких?
# Какой из модулей системы нечеткого вывода суммирует результаты срабатывания произвольного множества правил вывода?
# Какие слои сети TSK выполняют фазификацию переменных?
# Какая из функций принадлежности обладает наибольшим числом параметров?
# Параметры какой функции рассчитываются при обучении нечетких нейронных сетей?
# В каких слоях сети TSK производится настройка параметров при обучении?
# Какая из форм произведения функций принадлежности использует операцию выбора минимального значения?
# Какие параметры сети ТСК изменяются в процессе обучения?
# Почему модель Мамдани-Заде называют нечеткой нейронной сетью?
# Что утверждает принцип "конструктивной неопределенности"?
# Каким методом можно выполнить дефазификацию нечеткого множества?
# Какая функция фазификации используется в сети ТСК?
# Какие части должна содержать база знаний мягкой экспертной системы?
# Что понимается под редукцией (сокращением) входных сигналов?
# Как вычисляется оценка значимости сигнала (параметра) на всей выборке входных сигналов?
# Каковы цели редукции (контрастирования) нейронной сети?
# Как оценивается значимость входных сигналов сети?
# Как оценивается значимость параметра, изменяющегося во времени (например, в результате обучения)?
# Какой показатель должен изменяться минимально при редукции нейронной сети?
# Какие варианты редукции существуют?
# Что собой представляет бинаризация сумматора?
# Какой должна быть проекция вектора F на каждом шаге ортогонализации базиса?
# Какой вариант процедуры отбрасывания наименее значимых параметров является простейшим?
# Какой вариант процедуры отбрасывания наименее значимых параметров является наилучшим?
# К каким функциям применим метод исключения параметров "сверху вниз" с ортогонализацией?
# Какие этапы включает в себя оценивание показателя значимости?
# Когда определение значимости через изменение выходного сигнала не имеет альтернатив?
# В чем заключается рекурсивное контрастирование нейронной сети?
# Какими свойствами обладают нейрокомпьютеры для решения задач распознавания образов?
# Какими свойствами обладают нейрокомпьютеры для решения задач комбинаторной оптимизации?
# Что является наиболее сложной проблемой при создании нейрочипов?
# На какие типы подразделяются нейрочипы?
# В качестве каких устройств используются электронные нейронные сети в персональных ЭВМ?
# Какие подходы сочетают в себе гибридные нейрочипы?
# В чем заключаются преимущества оптической реализации нейронных сетей?
# Что используется для реализации матрицы весовых коэффициентов в оптических умножителях?
# Какой фактор является решающим для обеспечения высокой плотности соединений в оптических реализациях нейронных сетей?
# Что используется в качестве единицы производительности нейросетей?
# Почему взаимное соединение нейронов с помощью световых лучей не требует изоляции между сигнальными путями?
# Какова разрядность векторного процессора NM6403?
# На какие категории подразделяются оптические НС?
# Какова плотность записи оптических весов в голограммах?
# Каким образом можно объединять нейропроцессоры NM6403 в параллельную систему?
# Какой является функция активации персептрона?
# В чем заключается преимущество использования нейрона с непрерывной функцией активации?
# Какую функцию реализует адалайн?
# Какую задачу решает персептрон?
# Какую функцию реализует Паде-нейрон?
# Требуется ли обучающая выборка (учитель) для обучения нейрона Хебба?
# В чем заключается обучение персептрона?
# Требуется ли обучающая выборка (учитель) для обучения нейронов WTA?
# Какое преобразование реализует кубический нейрон ?
# Что такое персептрон?
# В каком интервале изменяются значения биполярной функции сигмоидального нейрона?
# Какой метод позволяет выйти из окрестности локального минимума?
# В каком интервале изменяются значения униполярной функции сигмоидального нейрона?
# Что является важным свойством сигмоидальной функции?
# Какая величина минимизируется при аппроксимации функции нейроном?
# Какой способ построения линейного решающего правила является простейшим?
# Если возможно безошибочное разделение классов, то можно ли его получить методом центров масс?
# Чем полезен метод центров масс?
# В каком случае выходной сигнал персептрона будет положительным?
# Как нужно модифицировать вектор весов, если входной вектор ошибочно отнесен персептроном ко второму классу (выходной сигнал – 0)?
# Что реализует персептрон в пространстве входных сигналов?
# Какой вариант алгоритма обучения персептрона обладает наилучшей сходимостью?
# Что является условием остановки выполнения алгоритма обучения персептрона?
# Чем ограничивается размер страницы в методе обучения персептрона по страницам?
# Как нужно модифицировать вектор весов, если входной вектор ошибочно отнесен персептроном к первому классу (выходной сигнал – 1)?
# Как соотносятся вектор весовых коэффициентов и разделяющая гиперплоскость?
# Из какого интервала выбирается значение скорости обучения?
# Следует ли хранить все входные векторы, на которых нейрон ошибается, при обучении по всему задачнику?
# Какой способ построения решающего правила всегда достигает безошибочного линейного разделения классов, если оно возможно?
# Какой тип обучения назван обучением с учителем?
# Как формулируется решающее правило, основанное на формуле Байеса?
# Какой функцией описывается оптимальная разделяющая поверхность при нормальном распределении объектов двух классов?
# Какое устройство реализует оптимальную разделяющую поверхность при нормальном распределении объектов двух классов?
# Сколько разделяющих гиперплоскостей необходимо для реализации функции ИСКЛЮЧАЮЩЕЕ ИЛИ на нейронной сети?
# Сколько слоев должна содержать нейронная сеть для выделения невыпуклой области?
# Каким уравнением описывается гиперплоскость, реализующая функцию И?
# Сколько слоев должна содержать нейронная сеть для выделения выпуклой области?
# Что реализуют нейроны первого слоя многослойной нейронной сети при решении задачи нелинейного разделения двух классов?
# Может ли персептрон реализовать функцию ИСКЛЮЧАЮЩЕЕ ИЛИ?
# Что является формализацией влияния возбуждения в одних областях мозга на возбуждение в других?
# В каком слое следует увеличить число нейронов, чтобы повысить точность аппроксимации выпуклых областей?
# Чему должно быть равно значение t в уравнении x1 + x2 + x3= t, чтобы соответствующий нейрон реализовал функцию И?
# Каким уравнением описывается гиперплоскость, реализующая функцию ИЛИ?
# В каком слое следует увеличить число нейронов, чтобы увеличить число выпуклых областей, реализуемых сетью?
# Чему должно быть равно значение t в уравнении x1 + x2 + x3= t, чтобы соответствующий нейрон реализовал функцию ИЛИ?
# Какие из нижеперечисленных сетей после подачи набора входных сигналов функционируют непрерывно?
# Какая из многослойных сетей используется наиболее часто?
# Сколько нейронов полносвязной сети может быть использовано для выдачи выходных сигналов?
# Какой из видов интерпретации выходных сигналов сети обеспечивает максимальное количество классов при заданном числе нейронов в выходном слое?
# Для чего выполняется предобработка входных данных нейронной сети?
# Какие из нижеперечисленных сетей относятся к сетям периодического функционирования?
# Что позволяет установить сравнение констант Липшица нейронной сети и аппроксимируемой функции?
# Какое правило интерпретации выходных данных сети является наиболее распространенным?
# Что нужно сделать для повышения константы Липшица многослойной сети?
# Какие связи между слоями являются возбуждающими?
# В какой сети каждый нейрон передает выходной сигнал на вход самому себе?
# Какие точки функции наиболее трудно аппроксимировать?
# В чем заключается нормировка входных данных нейронной сети?
# Какое правило интерпретации дает минимальное число классов?
# Что такое контрастер?
# На каком этапе алгоритма обратного распространения ошибки вычисляются производные функций активации нейронов многослойной сети?
# В каком направлении осуществляется минимизация целевой функции в алгоритме обратного распространения ошибки?
# Зависят ли выходные сигналы скрытых слоев оригинальной нейронной сети от весовых коэффициентов нейронов выходного слоя?
# В чем заключается цель одномерной оптимизации?
# Что подается на входы сети обратного распространения?
# На чем основан поиск минимума целевой функции в заданном направлении?
# Что может вызвать неправильный выбор диапазона случайных значений весов?
# К чему может привести чрезмерное увеличение коэффициента обучения?
# Чем обусловлена возможность попадания целевой функции многослойной сигмоидальной сети в седловую зону?
# Когда завершается действие алгоритма обратного распространения?
# В каком интервале обычно лежат модули допустимых начальных значений весовых коэффициентов сети?
# Как влияет увеличение числа входов нейронов на выбор начальных значений их весовых коэффициентов (кроме порогов)?
# Что способствует ускорению процесса обучения сети?
# Какую операцию следует выполнить в алгоритме обратного распространения там, где дуги сходятся к одной вершине?
# Почему следует избегать насыщения нейронов?
# Какие ограничения возникают при попытке осуществить обучение нейронной сети как решение задачи оптимизации?
# Какие методы используются для учета ограничений параметров сети при обучении?
# Каких значений может достигать число параметров нейронной сети?
# В чем преимущество метода случайного выбора направления минимизации оценки?
# Какой из партан-методов дает лучшие результаты обучения сети?
# Чем обусловлена неэффективность алгоритма наискорейшего спуска?
# В чем заключается сложность использования метода Ньютона для обучения нейронных сетей?
# Чем обусловлено преимущество квазиньютоновских методов перед методом наискорейшего спуска?
# Когда производится рестарт алгоритма сопряженных градиентов?
# В каких случаях BFGS-метод превращается в метод сопряженных градиентов?
# Какие этапы подготовки предшествуют обучению?
# Как обеспечить ортогональность нового градиента предыдущему направлению спуска в BFGS-методе?
# Как обеспечить приобретение нейрокомпьютером новых навыков без существенной утраты старых?
# Каковы требования к реализации наиболее трудоемких этапов алгоритма обучения нейрокомпьютера?
# Каким образом в квазиньютоновских и партан-методах выбирается начальное направление спуска?
# В каком случае новое решение в алгоритме имитации отжига принимается случайным образом?
# При каких значениях температуры увеличение значения целевой функции становится невозможным?
# Что происходит с температурой при увеличении числа итераций алгоритма имитации отжига?
# Чему пропорционален размер популяции?
# Что такое мутация?
# В чем заключается принцип элитарности?
# Какой способ генерации новых виртуальных частиц является наиболее консервативным?
# Какие цели преследует метод виртуальных частиц?
# Какой способ генерации новых виртуальных частиц является наиболее перспективным?
# Как ускорить имитацию отжига?
# Какая доля хромосом подвергается мутации?
# Как происходит отбор хромосом?
# К чему приводит слишком малая популяция хромосом?
# К каким типам возмущений должны быть устойчивы навыки обучения нейрокомпьютера?
# Когда завершается генетический процесс?
# Почему радиальные функции называют функциями локальной аппроксимации?
# Почему аппроксимация, реализуемая сигмоидальной нейронной сетью, называется глобальной?
# Какое утверждение лежит в основе функционирования радиальных сетей?
# Что реализует радиальный нейрон в пространстве входных сигналов?
# Почему для решения задачи классификации (т.е. разбиения пространства входных сигналов на области) в радиальной сети достаточно иметь два слоя нейронов?
# Какая операция лежит в основе функционирования радиального нейрона?
# Какую функцию обычно реализует выходной нейрон радиальной сети?
# К чему приводит чрезмерное количество весовых коэффициентов сети?
# Какими параметрами описывается радиальная функция Гаусса?
# Каким образом радиальная сеть реализует преобразование всего множества данных?
# Какие значения принимает радиальная функция в окрестности центра?
# Чем могут отличаться друг от друга функции радиальных нейронов?
# В каких случаях целесообразно использовать радиальную сеть?
# Что является аргументом радиальной функции?
# Как вычисляется вектор весов выходного нейрона радиальной сети?