Итоговый тест системы искусственного интеллекта [Росдистант]
Перечень вопросов касающихся итогового теста.
Задан однослойный персептрон с сигнатурной функцией активации. Весовые коэффициенты всех связей и смещения равны 0,5. Задана обучающая выборка состоящая из следующих примеров А1, А2, А3, А4. Для каждого примера задан ожидаемый выходной сигнал нейронной сети: D1, D2, D3, D4. С использованием обучающей выборки проводят настройку нейронной сети. Порядок подачи примеров из обучающей выборки: А1-А2-А3-А4-А1. Коэффициент скорости обучения равен 0,2. Посчитайте сумму всех весовых коэффициентов и смещения после 5 итераций обучения персептрона по методу дельта правила. Ответ округлить до двух знаков после запятой и записать со знаком "запятая". Например, если при расчете получилось "-12,325", то ответ надо записывать как "-12,33".
Исходные данные:
Для нейронной сети Хэмминга задана обучающая выборка шаблонных сигналов А1, А2 и т.д. (которые представлены в виде биполярных векторов). Определите для заданного случая количество весовых коэффициентов, описывающих связи между входами нейронной сети и нейронами первого слоя.
Исходные данные:
Заданы четкие значения входных переменных x0 и y0. Требуется рассчитать четкое значение выходной переменной z0 (с применением центроидного метода) в соответствии с алгоритмом Mamdani.
Ответ округлить до двух знаков после запятой и записать со знаком "запятая". Например, если при расчете получилось "-12,325", то ответ надо записывать как "-12,33".
Исходные данные:
Нейронная сеть Хэмминга обучена классифицировать входной сигнал B к одному из шаблонных сигналов А1, А2, А3 и А4. Весовые коэффициенты W первого слоя сети при настройке инициализированы значениями равными половине от значений компонентов векторов шаблонных сигналов (A1, A2, A3, A4). Смещение нейронов первого слоя равно 0,5n, где n - размерность вектора В. Весовые коэффициенты E отрицательных обратных связей равны [(1/m)-0,1], где m - количество нейронов первого слоя. Определить сколько раз потребовалось передать сигналы по обратным связям в сети MAXNET для того, чтобы классифицировать входной сигнал В к одному из шаблонов.
Исходные данные:
Заданы четкие значения входных переменных x0 и y0. Требуется рассчитать четкое значение выходной переменной z0 (по методу “взвешенное среднее”) в соответствии с алгоритмом Tsukamoto.
Ответ округлить до двух знаков после запятой и записать со знаком "запятая". Например, если при расчете получилось "-12,325", то ответ надо записывать как "-12,33".
Исходные данные:
Заданы четкие значения входных переменных x0 и y0. Требуется рассчитать четкое значение выходной переменной z0 (с применением центроидного метода) в соответствии с алгоритмом Larsen.
Ответ округлить до двух знаков после запятой и записать со знаком "запятая". Например, если при расчете получилось "-12,325", то ответ надо записывать как "-12,33".
Исходные данные:
Задана следующая обучающая выборка: x1, x2 - входные сигналы, y - выходной сигнал. Определить наименьшее количество нейронов с сигнатурной функцией активации в нейронной сети прямого распространения, необходимое для 100% точности работы нейронной сети на обучающей выборке.
Исходные данные:
Задано нечеткое множество А. x - непрерывный носитель нечеткого множества с диапазоном значений [K; N]. Для нечеткого множества А задана функция принадлежности: μА(x)=T·| (B·sin(x))C-D·x |. Обозначения: | | - модуль, С - степень. Требуется определить высоту нечеткого множества А.
Ответ округлить до двух знаков после запятой и записать со знаком "запятая". Например, если при расчете получилось "-12,325", то ответ надо записывать как "-12,33".
Исходные данные:
