《神经网络》课程模拟试卷.doc

《神经网络》课程模拟试卷 李 浩 程柏林 填空题（共30分，3分/题） 人工神经网络（ANN）是生理学上的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。 神经元的动作特征主要包括空间性相加，时间性相加，阈值作用，不应期（绝对/相对），疲劳和可塑性。 网络的稳定性、存储容量、吸引域半径和收敛时间四项指标不仅取决于权矩阵W和域值θ，而且与网络的工作方式有关。 离散时间动力学系统的描述方程为，连续时间动力学系统的描述方程为。 已知两对模式向量分别为，，其中，＝1，2。则它们之间的距离，类似度，两者之间的关系为。 神经网络的基本特性有拓扑性，学习性（有无教师信号）和稳定收敛性。 静止联想记忆网络的基本功能可以描述为：当输入与个存储模式之一（比较，如果两者相同（或者相近），则输出，即能联想起原有的。 神经元与输入信号结合的两种有代表的结合方式是粗结合和密结合。其中，一个神经元只与少数几个输入信号相结合指的是粗结合。 对于一个神经网络，经过有限次学习，总可以找到正确分类的权W将两类模式进行分类，其前提条件是两类模式线性可分和样本充分多次出现。 10．多层感知器学习算法的目的在于修改网络中的权系数，而改变网络的构造使其和教师信号的误差 最小。 问答题（共70分） （10分） 阐述简单感知器学习算法的学习目的和步骤。 答：学习目的： 利用给定已知类别的两个模式类W1，W2的训练样本X的集合，经过感知器的若干次迭代，形成一个这样的权向量W，若，则y=1，从而WTX0；若，则y=1，从而WTX0。 算法步骤： 设置初始值W（0），为非零随机值； 输入一个样本和它的期望输出d（教师信号），（r为学习信号）； 计算； 由计算y(t)得到修正权，0≤≤1； （15分） 基于神经元的统一模型，指出改变或，或同时改变和，可到到哪些神经元模型？ 答：神经元的统一模型可用符号表示为： ，其中为连接权函数，为激活函数（输出函数）。 讨论：（Wi为常数），，改变 （1）单位阶跃函数， → MP模型； （2）， → Adline模型； （3）， → WA模型（MP的推广）； 当（为非线性函数）， （4）， ， → WS模型 （15分） 对称结合网在两种模型（离散、连续）下具有什么样的动力学特性？ 答：（1）离散时间动力学系统： 能量函数为， ，， 当状态发生改变时，即xi从1到0，或从0到1时，均可推出△E[X]0，所以状态总是朝着E[X]减小的方向变化。 （2）连续时间动力学系统： 状态向量，ui为第i个神经元的平均膜电位 势函数为 ，为激活函数； → 结论是：状态总是朝着V减小的方向变化。 (20分) 用RBF网络解XOR问题。 x1x2wwx0= +1b x1 x2 w w x0= +1 b(偏置) y XOR网络 ti为中心，t1＝[1，1]T，t2＝[0，0]T，b=1。 用gii表示各相应输入下隐单元之输出（4种可能输入） 希望的输出值为已知，d=[1,0,1,0]T， 将w，b作为待求参数并表示为w=[w，w，b]T，则有如下关系： 其中， 给定数据（4对）比待求参数（3个）多，可用最小二承求伪逆，即 ，把G值及d值代入得到 检查结果如下： 数据序号 输入（xi） 希望输出di 实际输出（yi） 1 （1，1） 1 ＋0.901 2 （0，1） 0 ＋0.001 3 （0，0） 1 ＋0.901 4 （1，0） 0 －0.001 （10分） 试用双向异联想网络分析其联想存储过程。设欲存储的两对矢量对分别为 A1=（1 0 1 0 1 0）， B1=（1 1 0 0） A2=（1 1 1 0 0 0）， B2=（1 0 1 0） 答：（1）首先将它们转换为双极性矢量对 X1=（1 －1 1 －1 1 －1）， Y1=（1 1 －1 －1） X2=（1 1 1 －1 －1 －1）， Y1=（1 －1 1 －1） （2）形成权矩阵 （3）设域值为0，运用所求的W验证联想的结果 A1(t)=A1W=[4 2 –2 –4] → A1(t+1)=[1 1 0 0]= B1 A2(t)=A1W=[4 –2 2 –4] → A2(t+1)=[1 0 1 0]= B2 B1(t) = A1WT = [2 –2 2 –2 2 –2] → B1(t+1)=[1 0 1 0 1 0]= A1 B2(t) = A1WT = [2 2 2 –2 –2 –2] → B2(t+1)=[1 1 1 0 0 0]= A2 结果是：无论是从哪端输入，均能实现正确联想。