[Росдистант] Математические основы интеллектуальных технологий (итоговый тест, вопросы, ответы)

Росдистант. Математические основы интеллектуальных технологий. Итоговый тест. Ответы на вопросы.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,01; w2 = –0,71; w3 = –0,13; w0 = 0,51; x1 = –0,18; х2 = 0,22; x3 = –0,92. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,22; w2 = 0,55; w3 = –0,8; w0 = 0,55; x1 = 0,13; x2 = 0,16; x3 = –0,73. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,13; w2 = 0,58; w3 = 0,68; w0 = 0,74; x1 = –0,25; x2 = 0,15; x3 = 0,21. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,32; w2 = –0,82; w3 = 0,21; w0 = 0,48; x1 = 0,69; x2 = 0,16; x3 = 0,73. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,95; w2 = 0,06; w3 = 0,46; w0 = –0,31; x1 = –0,93; x2 = –0,12; x3 = –0,46. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,15; w2 = –0,63; w3 = 0,35; w0 = 0,66; x1 = 0,74; x2 = 0,64; x3 = –0,98. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,09; w2 = 0; w3 = 0,51; w0 = 0,27; x1 = 0,86; x2 = 0,26; x3 = 0,44. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,92; w2 = –0,01; w3 = –0,16; w0 = 0,48; x1 = 0,13; x2 = 0,49; x3 = –0,59. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,07; w2 = –0,6; w3 = –0,74; w0 = 0,72; x1 = –0,27; x2 = 0,26; x3 = 0,7. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,01; w2 = 0,18; w3 = –0,68; w0 = –0,44; x1 = –0,3; x2 = –0,54; x3 = –0,95. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,63; w2 = 0,32; w3 = –0,07; w0 = –0,39; x1 = –0,67; x2 = 0,6; x3 = –0,6. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,57; w2 = 0,61; w3 = –0,92; w0 = –0,87; x1 = –0,78; x2 = 0,9; x3 = –0,46. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,39; w2 = –0,55; w3 = 0,78; w0 = –0,29; x1 = 0,02; x2 = –0,69; x3 = –0,51. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,1; w2 = –0,55; w3 = 0,29; w0 = 0,35; x1 = 0,23; x2 = –0,27; x3 = –0,52. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,17; w2 = 0,06; w3 = –0,1; w0 = 0,31; x1 = 0,04; x2 = 0,28; x3 = 0,82. Функция – логистическая (сигмоидальная).

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = –0,71; w2 = 0,94; w3 = 0,29; w0 = 0,69; x1 = –0,34; x2 = –0,96; x3 = 0,68. Функция – гиперболический тангенс.

Рассчитать выходной сигнал нейрона со смещением w0, весовым коэффициентом w1 для входа x1, весовым коэффициентом w2 для входа x2, весовым коэффициентом w3 для входа x3 и с заданной передаточной функцией. Исходные данные: w1 = 0,5; w2 = –0,98; w3 = –0,15; w0 = 0,68; x1 = 0,01; x2 = 0,27; x3 = –0,96. Функция – логистическая (сигмоидальная).

Ответ округлить до двух знаков после запятой и записать со знаком «запятая». Например, если при расчете получилось –1,4, необходимо записать «–1,40», сохраняя 2 знака после запятой. Другой пример: если результат расчета «12,325», то надо записать в ответе «12,33».

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:

x1 x2 y

–0,6 0,4 1

0,6 0,5 1

0,3 –0,8 –1

0,2 –0,7 –1

0,2 1 –1

Исходные данные:

x1 x2 y

–0,2 0,9 1

0,1 0,9 1

0,7 –0,4 –1

0,8 –0,4 –1

–0,9 –0,9 –1

Исходные данные:

x1 x2 y

–0,9 0,1 1

0,9 –0,5 1

–0,2 –0,6 –1

–0,5 –0,5 –1

–0,4 0,7 –1

Исходные данные:

x1 x2 y

–1 1 1

0,3 0,3 1

0,8 –0,7 –1

–0,7 –0,5 –1

–0,9 –1 –1

Исходные данные:

x1 x2 y

–1 0,7 1

0,7 0,8 1

0,8 –1 –1

–0,3 –0,7 –1

–0,3 –0,1 –1

Исходные данные:

x1 x2 y

–0,7 –0,4 1

0,6 0,5 1

–0,2 –1 –1

0 –0,6 –1

–0,3 0,9 –1

Исходные данные:

x1 x2 y

–0,1 0,2 1

0,1 0 1

–0,4 –0,2 –1

–0,2 –1 –1

0,8 –0,9 –1

Исходные данные:

x1 x2 y

–1 0 1

0,7 0,1 1

–0,9 –0,7 –1

0,1 –1 –1

–0,1 –0,9 –1

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:

x1 x2 y

–0,6 –0,2 1

0,8 0,4 1

–0,4 –0,7 –1

–0,4 –0,9 –1

–0,5 0,7 –1

Исходные данные:

x1 x2 y

–0,8 0,1 1

0,8 0,5 1

0,1 –0,5 –1

0,5 –0,6 –1

–0,5 0,6 –1

Исходные данные:

x1 x2 y

–0,3 0,2 1

0,3 0,5 1

–1 –0,7 –1

–1 –0,6 –1

–0,6 –0,1 –1

Исходные данные:

x1 x2 y

–0,6 0,3 1

0,9 0,4 1

0,1 –0,7 –1

0 –0,9 –1

–0,5 0,6 –1

Исходные данные:

x1 x2 y

–0,6 0,4 1

0,7 0,2 1

0,1 –0,7 –1

–0,5 –0,8 –1

0,2 1 –1

Исходные данные:

x1 x2 y

–0,9 –0,2 1

0,7 0,4 1

0,3 –0,6 –1

0,1 –1 –1

0 0,5 –1

Исходные данные:

x1 x2 y

–0,8 0,4 1

0,4 0,4 1

–1 –0,8 –1

–0,3 –0,9 –1

0,2 –0,6 –1

Исходные данные:

x1 x2 y

–0,9 0,4 1

0,3 1 1

0 –0,8 –1

–0,1 –0,4 –1

–0,1 –0,1 –1

Исходные данные:

x1 x2 y

–0,1 1 1

0,6 0,2 1

–0,1 –0,4 –1

–0,3 –0,3 –1

–1 –0,1 –1

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.

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 в ответе надо записывать «–12,33».

Исходные данные:

А1 = (–1,2; 0,6; 0,1; –0,9); D1 = –1

А2 = (0,5; –1,2; –0,5; 0,7); D2 = –1

А3 = (–1,5; 0,1; –0,6; 0,7); D3 = +1

А4 = (0,8; 1,5; 0,2; –1,2); D4 = –1

Исходные данные:

А1 = (–1,3; –1,1; 1,5; 1,3); D1 = –1

А2 = (–0,1; 0,7; –1,0; –1,0); D2 = +1

А3 = (1,2; –1,5; –1,0; 0,1); D3 = +1

А4 = (1,5; –0,9; 0,3; 1,5); D4 = –1

Исходные данные:

А1 = (–1,5; 1,4; –1,3; 0,4); D1 = –1

А2 = (–0,4; –1,3; 0,2; –1,4); D2 = +1

А3 = (–0,9; –0,4; 1,2; 1,3); D3 = –1

А4 = (0,1; –1,1; 1,2; –0,5); D4 = –1

Исходные данные:

А1 = (0,8; 0,4; –0,1; 0,3); D1 = +1

А2 = (–1,3; 1,3; 1,1; 1,1); D2 = –1

А3 = (–0,1; 0,1; –0,1; –0,7); D3 = +1

А4 = (–0,1; –0,9; –1,1; 1,2); D4 = +1

Исходные данные:

А1 = (1,5; –0,9; –0,8; –0,1); D1 = +1

А2 = (1,2; 1,4; 1,3; 1,4); D2 = +1

А3 = (–1,3; –0,2; –0,5; 0,6); D3 = +1

А4 = (1,4; 0,6; –0,3; 0,1); D4 = –1

Исходные данные:

А1 = (–1,5; –0,6; –1,1; 0,1); D1 = –1.

А2 = (–0,3; –1,5; –0,3; –1,4); D2 = +1.

А3 = (–0,1; 1,0; –0,3; 1,5); D3 = –1.

А4 = (0,6; –0,4; 1,0; 0,1); D4 = +1.

Исходные данные:

А1 = (–1,3; 1,1; –0,3; –0,8); D1 = +1

А2 = (0,3; 0,2; 1,2; –1,0); D2 = –1

А3 = (–0,1; –1,4; –0,1; 0,9); D3 = +1

А4 = (–1,0; –1,4; 1,5; –1,3); D4 = +1

Исходные данные:

А1 = (–0,4; –1,0; 0,1; 0,8); D1 = –1

А2 = (0,2; –0,5; 1,1; –1,3); D2 = +1

А3 = (1,0; 1,5; –1,4; 0,1); D3 = –1

А4 = (1,0; 0,4; 0,3; –1,0); D4 = +1

Исходные данные:

А1 = (–0,1; 1,4; 0,7; 0,1); D1 = –1

А2 = (1,3; –0,6; –0,4; –0,6); D2 = +1

А3 = (0,4; 1,0; –0,9; 0,1); D3 = –1

А4 = (0,1; 0,3; 1,3; 0,3); D4 = +1

Исходные данные:

А1 = (0,4; –1,2; 0,7; 1,5); D1 = –1

А2 = (–0,7; 1,3; –1,2; 0,1); D2 = +1

А3 = (1,2; –0,2; 0,1; 1,5); D3 = –1

А4 = (0,7; 0,2; –0,8; –0,6); D4 = +1

Исходные данные:

А1 = (0,8; 0,5; –0,3; 0,3); D1 = +1

А2 = (0,9; 0,1; –1,1; 1,5); D2 = +1

А3 = (–0,8; 0,5; 1,4; 0,8); D3 = +1

А4 = (0,8; 0,7; –1,0; 0,3); D4 = –1

Исходные данные:

А1 = (0,9; 1,5; –1,2; –0,1); D1 = +1

А2 = (–1,5; –0,6; 0,8; –1,1); D2 = +1

А3 = (0,6; –1,2; 0,9; 1,3); D3 = –1

А4 = (–0,5; 0,5; –1,5; –0,7); D4 = +1

Исходные данные:

А1 = (1,3; –0,2; 1,3; –0,3); D1 = +1

А2 = (0,8; –0,1; –1,2; 1,2); D2 = –1

А3 = (–0,1; –0,4; 0,5; 1,4); D3 = +1

А4 = (0,7; –0,7; –1,1; –0,5); D4 = +1

Исходные данные:

А1 = (0,6; –0,9; –1,3; 0,1); D1 = –1.

А2 = (0,5; 1,4; –1,5; –0,4); D2 = +1.

А3 = (1,1; 1,0; 0,7; –0,9); D3 = –1.

А4 = (0,2; 1,1; 0,7; 0,5); D4 = +1.

Исходные данные:

А1 = (–0,9; 0,7; 1,4; –1,0); D1 = +1.

А2 = (–0,4; 0,1; –0,5; 0,2); D2 = –1.

А3 = (0,1; 0,1; –0,7; –1,1); D3 = –1.

А4 = (–0,3; –1,5; 1,5; –0,9); D4 = –1.

Исходные данные:

А1 = (0,9; 0,7; 1,4; 0,1); D1 = +1

А2 = (–0,2; 1,0; –1,5; 0,2); D2 = +1

А3 = (–0,4; –1,4; 0,2; 0,4); D3 = –1

А4 = (–1,2; 0,9; –0,8; –0,1); D4 = +1

Исходные данные:

А1 = (–0,4; –0,6; 0,4; –1,1); D1 = +1

А2 = (–0,2; –0,1; –0,6; 0,7); D2 = –1

А3 = (–0,8; –0,4; –0,3; 1,0); D3 = –1

А4 = (–0,5; –0,6; 1,0; 0,7); D4 = –1

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 в ответе надо записывать «–12,33».

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:

А1 = (–1, –1, –1, –1, –1, –1)

А2 = (+1, +1, –1, –1, +1, +1)

А3 = (–1, +1, +1, –1, +1, +1)

Исходные данные:

А1 = (+1, –1, –1, –1, –1, +1, +1, +1, –1, –1)

А2 = (–1, –1, +1, –1, –1, –1, +1, +1, +1, –1)

А3 = (–1, –1, +1, –1, –1, +1, –1, +1, +1, –1)

А4 = (+1, –1, +1, –1, +1, –1, +1, +1, –1, –1)

А5 = (–1, +1, +1, +1, +1, –1, +1, –1, –1, –1)

А6 = (–1, +1, +1, –1, –1, –1, –1, –1, +1, –1)

Исходные данные:

А1 = (–1, +1, +1, +1, –1, +1, +1, +1)

А2 = (+1, –1, +1, –1, +1, +1, +1, –1)

А3 = (+1, +1, +1, –1, +1, +1, –1, +1)

А4 = (–1, –1, +1, +1, –1, –1, +1, +1)

А5 = (+1, +1, +1, +1, +1, +1, +1, –1)

А6 = (+1, –1, –1, –1, +1, –1, –1, +1)

Исходные данные:

А1 = (+1, +1, –1, –1, +1, –1)

А2 = (+1, +1, +1, –1, +1, –1)

А3 = (+1, –1, +1, –1, +1, +1)

А4 = (+1, –1, –1, –1, +1, +1)

Исходные данные:

А1 = (–1, –1, –1, +1, –1, –1, –1)

А2 = (+1, +1, –1, +1, +1, +1, +1)

А3 = (+1, –1, –1, –1, –1, +1, +1)

А4 = (+1, +1, +1, +1, +1, +1, –1)

А5 = (–1, +1, +1, +1, –1, –1, +1)

Исходные данные:

А1 = (–1, +1, –1, –1, –1, +1, –1)

А2 = (–1, –1, +1, +1, +1, –1, –1)

А3 = (–1, –1, +1, +1, –1, –1, +1)

Исходные данные:

А1 = (–1, –1, –1, –1, +1)

А2 = (+1, +1, +1, –1, –1)

А3 = (+1, +1, –1, –1, –1)

А4 = (–1, +1, +1, +1, +1)

А5 = (–1, +1, –1, –1, –1)

Исходные данные:

А1 = (+1, +1, +1, +1, –1)

А2 = (+1, –1, –1, +1, –1)

А3 = (–1, +1, –1, +1, +1)

А4 = (+1, –1, –1, –1, +1)

Исходные данные:

А1 = (+1, +1, +1, –1, –1, –1, –1, +1, +1, –1, +1)

А2 = (–1, +1, +1, –1, –1, –1, +1, +1, –1, +1, –1)

А3 = (–1, –1, +1, +1, +1, +1, +1, –1, –1, +1, –1)

Исходные данные:

А1 = (+1, +1, –1, –1, +1, +1, –1, –1, –1)

А2 = (+1, –1, –1, –1, +1, –1, –1, –1, –1)

А3 = (+1, –1, +1, +1, –1, +1, –1, +1, +1)

А4 = (–1, +1, –1, –1, –1, –1, +1, +1, +1)

А5 = (+1, +1, –1, –1, –1, –1, –1, +1, –1)

Исходные данные:

А1 = (–1, +1, +1, –1, –1, +1, –1)

А2 = (–1, +1, +1, –1, –1, –1, –1)

А3 = (–1, –1, +1, –1, –1, –1, –1)

А4 = (+1, +1, +1, +1, –1, +1, –1)

Исходные данные:

А1 = (–1, –1, +1, +1, +1, +1, –1, +1)

А2 = (+1, –1, –1, +1, –1, +1, +1, +1)

А3 = (+1, +1, +1, +1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, –1, –1, –1, +1, +1, +1, +1)

А2 = (–1, –1, –1, +1, +1, +1, –1, –1)

А3 = (–1, –1, +1, –1, +1, +1, +1, –1)

А4 = (+1, +1, –1, –1, –1, –1, –1, +1)

Исходные данные:

А1 = (+1, –1, +1, +1, –1)

А2 = (+1, +1, –1, +1, –1)

А3 = (+1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, –1, +1, –1, +1, +1, +1, +1, –1)

А2 = (+1, +1, +1, +1, +1, –1, –1, –1, +1)

А3 = (+1, +1, +1, –1, +1, –1, +1, –1, +1)

Исходные данные:

А1 = (+1, –1, +1, –1, –1, +1, –1, +1, +1, –1)

А2 = (–1, –1, –1, +1, –1, +1, –1, +1, +1, +1)

А3 = (+1, +1, –1, +1, +1, +1, –1, –1, +1, +1)

А4 = (+1, –1, +1, –1, –1, +1, +1, –1, –1, –1)

Исходные данные:

А1 = (–1, +1, –1, +1, +1, +1)

А2 = (–1, +1, +1, +1, –1, –1)

А3 = (+1, +1, +1, +1, +1, –1)

А4 = (+1, –1, –1, +1, –1, –1)

А5 = (+1, –1, –1, –1, –1, –1)

А6 = (+1, –1, +1, –1, –1, +1)

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.

Нейронная сеть Хэмминга обучена классифицировать входной сигнал B к одному из шаблонных сигналов А1, А2, А3, 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. Требуется рассчитать выходное значение сигнала нейрона слоя MAXNET, связанного с шаблонным сигналом А1 после 3 (третьего) перехода сигналов по обратным связям.

Ответ округлить до двух знаков после запятой и записать со знаком «запятая». Например, если при расчете получилось –12,325, то в ответе надо записать «–12,33».

Исходные данные:

А1 = (+1, +1, –1, –1, +1, +1, +1, –1, –1, +1, –1)

А2 = (–1, –1, +1, –1, –1, +1, +1, +1, +1, +1, +1)

А3 = (+1, +1, +1, +1, –1, +1, +1, +1, +1, +1, –1)

А4 = (–1, +1, –1, –1, +1, –1, –1, –1, +1, +1, +1)

B = (+1, +1, –1, +1, +1, –1, –1, +1, +1, –1, –1)

Исходные данные:

А1 = (+1, +1, –1, +1, –1, +1, –1, –1, +1, –1, –1)

А2 = (–1, –1, +1, –1, +1, –1, +1, –1, –1, +1, +1)

А3 = (–1, +1, +1, +1, +1, –1, –1, +1, –1, +1, –1)

А4 = (–1, –1, +1, –1, –1, –1, +1, –1, +1, +1, +1)

B = (+1, +1, –1, –1, +1, +1, +1, +1, +1, +1, –1)

Исходные данные:

А1 = (–1, +1, –1, –1, –1, +1, +1, –1, –1, +1, –1)

А2 = (+1, +1, +1, +1, +1, +1, –1, +1, –1, +1, +1)

А3 = (+1, –1, +1, –1, –1, +1, +1, +1, +1, –1, +1)

А4 = (+1, –1, –1, –1, +1, +1, +1, –1, +1, +1, +1)

B = (–1, +1, +1, +1, +1, +1, –1, –1, –1, –1, –1)

Исходные данные:

А1 = (+1, +1, –1, –1, –1, +1, +1, +1, +1, +1, –1)

А2 = (+1, –1, –1, –1, +1, +1, –1, –1, –1, +1, +1)

А3 = (–1, +1, +1, +1, +1, –1, +1, –1, –1, +1, +1)

А4 = (+1, +1, +1, –1, –1, –1, +1, +1, +1, –1, +1)

B = (+1, –1, –1, +1, –1, –1, +1, +1, +1, +1, –1)

Исходные данные:

А1 = (–1, +1, –1, +1, +1, –1, +1, +1, –1, –1, +1)

А2 = (–1, +1, +1, –1, –1, –1, –1, +1, +1, –1, +1)

А3 = (+1, –1, –1, –1, –1, –1, +1, +1, +1, –1, +1)

А4 = (–1, +1, +1, +1, –1, +1, –1, –1, –1, +1, –1)

B =(–1, +1, –1, –1, +1, –1, +1, +1, –1, +1, –1)

Исходные данные:

А1 = (–1, +1, –1, –1, –1, +1, –1, –1, +1, –1, +1)

А2 = (–1, +1, +1, –1, +1, +1, –1, –1, –1, –1, +1)

А3 = (–1, –1, –1, –1, –1, –1, +1, –1, –1, +1, –1)

А4 = (–1, +1, +1, +1, –1, –1, +1, +1, –1, –1, +1)

B = (–1, +1, –1, +1, –1, +1, –1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, +1, –1, –1, –1, –1, +1, –1, +1, +1, –1)

А2 = (+1, +1, –1, –1, +1, +1, –1, –1, –1, +1, –1)

А3 = (–1, –1, +1, +1, –1, +1, –1, +1, +1, +1, –1)

А4 = (–1, –1, –1, +1, –1, +1, +1, +1, –1, +1, +1)

B = (–1, +1, –1, –1, –1, +1, +1, +1, –1, –1, +1)

Исходные данные:

А1 = (–1, +1, –1, –1, –1, +1, +1, +1, –1, +1, –1)

А2 = (–1, –1, +1, +1, +1, +1, +1, +1, +1, +1, –1)

А3 = (–1, +1, +1, +1, –1, –1, –1, –1, +1, –1, +1)

А4 = (+1, –1, –1, –1, +1, +1, –1, +1, –1, –1, +1)

B = (–1, +1, –1, –1, +1, +1, +1, +1, +1, –1, –1)

Исходные данные:

А1 = (–1, –1, –1, –1, –1, –1, +1, –1, +1, –1, –1)

А2 = (+1, –1, –1, +1, –1, +1, +1, –1, +1, –1, –1)

А3 = (–1, –1, +1, –1, –1, +1, –1, +1, +1, –1, +1)

А4 = (+1, –1, +1, +1, –1, +1, –1, +1, –1, +1, +1)

B = (–1, –1, +1, +1, +1, –1, –1, –1, –1, –1, –1)

Исходные данные:

А1 = (+1, –1, –1, +1, +1, –1, +1, +1, +1, +1, –1)

А2 = (–1, –1, +1, +1, +1, +1, +1, +1, –1, +1, +1)

А3 = (+1, –1, +1, –1, +1, –1, +1, +1, –1, –1, –1)

А4 = (+1, +1, +1, +1, +1, –1, +1, –1, +1, +1, –1)

B = (+1, +1, +1, +1, –1, –1, –1, –1, +1, –1, –1)

Исходные данные:

А1 = (–1, +1, +1, –1, +1, –1, +1, –1, +1, –1, –1)

А2 = (–1, –1, +1, –1, +1, +1, –1, –1, –1, +1, +1)

А3 = (+1, –1, +1, –1, +1, –1, +1, +1, +1, –1, +1)

А4 = (–1, +1, –1, +1, –1, –1, –1, +1, –1, +1, +1)

B = (+1, –1, –1, –1, +1, –1, +1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, –1, –1, +1, +1, –1, +1, –1, –1, –1, +1)

А2 = (–1, +1, –1, +1, –1, –1, +1, +1, +1, –1, +1)

А3 = (–1, –1, +1, +1, +1, –1, –1, +1, –1, +1, +1)

А4 = (+1, –1, +1, +1, –1, +1, –1, +1, +1, –1, –1)

B = (+1, +1, +1, +1, –1, –1, +1, –1, +1, –1, +1)

Исходные данные:

А1 = (–1, –1, –1, –1, –1, +1, –1, –1, –1, +1, +1)

А2 = (+1, +1, –1, +1, +1, +1, –1, +1, –1, +1, –1)

А3 = (+1, +1, –1, –1, –1, –1, –1, –1, –1, +1, +1)

А4 = (–1, –1, +1, –1, +1, –1, –1, +1, –1, +1, +1)

B = (+1, –1, +1, –1, +1, +1, +1, +1, –1, +1, +1)

Исходные данные:

А1 = (–1, –1, –1, +1, +1, –1, +1, –1, –1, –1, +1)

А2 = (–1, +1, –1, +1, +1, –1, +1, –1, +1, +1, –1)

А3 = (–1, –1, +1, –1, –1, +1, +1, –1, –1, –1, +1)

А4 = (+1, +1, –1, +1, –1, +1, –1, +1, –1, –1, +1)

B = (–1, –1, –1, +1, +1, –1, +1, +1, –1, –1, –1)

Исходные данные:

А1 = (–1, –1, –1, –1, +1, +1, +1, –1, +1, +1, +1)

А2 = (+1, –1, +1, +1, +1, +1, +1, +1, –1, +1, +1)

А3 = (–1, –1, +1, +1, +1, +1, –1, –1, +1, –1, –1)

А4 = (–1, +1, +1, +1, +1, –1, +1, –1, +1, +1, +1)

B = (+1, –1, –1, –1, –1, –1, +1, +1, +1, –1, +1)

Исходные данные:

А1 = (+1, +1, –1, +1, –1, +1, –1, –1, –1, –1, +1)

А2 = (–1, +1, +1, +1, –1, –1, +1, –1, –1, –1, –1)

А3 = (–1, –1, +1, –1, –1, +1, –1, +1, –1, +1, –1)

А4 = (–1, +1, –1, –1, +1, –1, –1, –1, +1, –1, –1)

B = (+1, –1, +1, +1, +1, +1, –1, –1, +1, +1, +1)

Исходные данные:

А1 = (–1, +1, +1, +1, –1, –1, +1, +1, –1, –1, –1)

А2 = (–1, –1, +1, –1, –1, +1, +1, +1, –1, +1, +1)

А3 = (–1, –1, –1, –1, –1, +1, +1, –1, –1, +1, –1)

А4 = (+1, +1, +1, –1, –1, –1, –1, –1, +1, +1, –1)

B = (–1, +1, +1, –1, +1, +1, –1, +1, –1, –1, –1)

Нейронная сеть Хэмминга обучена классифицировать входной сигнал B к одному из шаблонных сигналов А1, А2, А3, 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:

А1 = (–1, +1, –1, +1, –1, +1, +1, –1, +1, +1, –1)

А2 = (–1, +1, –1, –1, +1, –1, +1, +1, –1, +1, +1)

А3 = (+1, –1, +1, –1, +1, +1, +1, +1, +1, +1, –1)

А4 = (+1, –1, –1, –1, –1, +1, +1, +1, –1, +1, –1)

B = (–1, –1, +1, –1, +1, +1, +1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, +1, +1, –1, +1, +1, +1, –1, –1, –1, +1)

А2 = (–1, –1, –1, –1, +1, +1, –1, +1, –1, +1, –1)

А3 = (+1, +1, +1, +1, –1, –1, +1, –1, +1, –1, –1)

А4 = (+1, –1, +1, –1, –1, +1, –1, +1, +1, –1, +1)

B = (+1, –1, –1, –1, –1, –1, +1, –1, +1, –1, –1)

Исходные данные:

А1 = (–1, –1, –1, –1, +1, –1, +1, +1, +1, –1, –1)

А2 = (+1, +1, –1, +1, +1, –1, +1, –1, +1, +1, +1)

А3 = (–1, –1, –1, –1, –1, –1, +1, +1, –1, –1, +1)

А4 = (–1, –1, +1, +1, +1, +1, –1, –1, –1, +1, –1)

B = (+1, +1, +1, –1, –1, –1, +1, –1, +1, –1, +1)

Исходные данные:

А1 = (–1, –1, –1, –1, –1, –1, +1, +1, –1, +1, –1)

А2 = (+1, +1, –1, –1, +1, –1, –1, +1, +1, +1, –1)

А3 = (+1, –1, +1, –1, –1, +1, –1, –1, +1, –1, +1)

А4 = (+1, +1, –1, –1, +1, –1, –1, –1, –1, –1, +1)

B = (–1, –1, +1, +1, –1, +1, –1, –1, +1, –1, +1)

Исходные данные:

А1 = (+1, +1, +1, +1, +1, +1, +1, +1, –1, +1, –1)

А2 = (–1, –1, +1, +1, +1, +1, +1, –1, +1, –1, –1)

А3 = (+1, +1, –1, –1, +1, –1, –1, –1, –1, –1, +1)

А4 = (+1, –1, +1, –1, +1, –1, –1, –1, –1, +1, –1)

B = (–1, –1, –1, +1, –1, –1, –1, +1, –1, –1, +1)

Исходные данные:

А1 = (+1, +1, –1, –1, –1, +1, –1, –1, –1, +1, –1)

А2 = (+1, –1, +1, +1, –1, +1, –1, +1, +1, –1, +1)

А3 = (–1, +1, –1, +1, –1, +1, +1, +1, +1, +1, +1)

А4 = (–1, –1, –1, –1, –1, +1, –1, –1, –1, +1, +1)

B = (+1, +1, –1, –1, +1, –1, –1, –1, +1, +1, +1)

Исходные данные:

А1 = (+1, –1, –1, +1, –1, +1, –1, +1, –1, –1, –1)

А2 = (+1, –1, +1, –1, –1, –1, –1, +1, +1, +1, +1)

А3 = (–1, +1, +1, –1, –1, –1, –1, +1, +1, –1, –1)

А4 = (–1, –1, –1, –1, –1, +1, –1, +1, +1, –1, +1)

B = (+1, +1, +1, +1, +1, –1, –1, +1, +1, –1, –1)

Исходные данные:

А1 = (–1, +1, +1, –1, –1, –1, +1, +1, +1, –1, +1)

А2 = (–1, +1, –1, –1, +1, +1, +1, +1, –1, –1, –1)

А3 = (+1, +1, –1, –1, +1, +1, –1, +1, +1, –1, +1)

А4 = (+1, +1, +1, +1, –1, +1, –1, –1, +1, –1, –1)

B = (+1, +1, –1, –1, –1, –1, –1, +1, +1, +1, +1)

Исходные данные:

А1 = (+1, –1, +1, +1, +1, +1, +1, –1, –1, +1, –1)

А2 = (+1, –1, +1, –1, +1, –1, +1, +1, –1, +1, –1)

А3 = (+1, –1, –1, –1, +1, +1, +1, –1, +1, –1, +1)

А4 = (+1, +1, –1, –1, –1, +1, –1, –1, +1, –1, +1)

B = (–1, +1, +1, –1, –1, –1, –1, –1, +1, –1, +1)

Исходные данные:

А1 = (–1, –1, +1, –1, –1, +1, +1, –1, –1, –1, +1)

А2 = (+1, +1, –1, –1, –1, +1, –1, –1, +1, –1, +1)

А3 = (+1, +1, +1, –1, +1, –1, +1, +1, +1, +1, –1)

А4 = (–1, –1, –1, –1, +1, +1, –1, –1, +1, +1, +1)

B = (+1, –1, +1, –1, +1, –1, –1, –1, +1, +1, +1)

Исходные данные:

А1 = (+1, +1, +1, +1, –1, +1, +1, –1, +1, –1, –1)

А2 = (–1, –1, +1, +1, +1, –1, +1, –1, –1, +1, –1)

А3 = (–1, –1, +1, +1, –1, +1, +1, –1, –1, +1, –1)

А4 = (–1, –1, +1, +1, –1, –1, +1, +1, –1, +1, +1)

B = (–1, +1, +1, –1, –1, +1, –1, +1, +1, –1, –1)

Исходные данные:

А1 = (+1, –1, –1, +1, –1, –1, +1, +1, –1, –1, –1)

А2 = (–1, –1, –1, –1, +1, –1, +1, –1, +1, +1, +1)

А3 = (–1, +1, –1, +1, +1, +1, –1, +1, –1, +1, –1)

А4 = (+1, –1, –1, –1, +1, +1, –1, +1, –1, –1, –1)

B = (–1, +1, +1, –1, +1, –1, +1, –1, –1, +1, –1)

Исходные данные:

А1 = (+1, +1, –1, –1, +1, –1, –1, –1, +1, +1, –1)

А2 = (–1, –1, +1, –1, +1, +1, –1, –1, +1, –1, +1)

А3 = (+1, –1, +1, +1, –1, –1, –1, +1, +1, –1, +1)

А4 = (+1, –1, –1, –1, +1, –1, +1, +1, +1, –1, –1)

B = (+1, +1, +1, –1, –1, –1, +1, +1, +1, +1, +1)

Исходные данные:

А1 = (–1, +1, –1, –1, +1, –1, –1, –1, +1, –1, +1)

А2 = (–1, +1, +1, +1, +1, +1, –1, –1, –1, +1, –1)

А3 = (+1, –1, –1, +1, –1, +1, +1, +1, +1, +1, +1)

А4 = (–1, +1, +1, +1, –1, +1, +1, +1, –1, –1, –1)

B = (–1, +1, +1, +1, +1, –1, –1, –1, +1, +1, –1)

Исходные данные:

А1 = (–1, +1, –1, –1, +1, +1, +1, –1, –1, +1, –1)

А2 = (–1, –1, –1, –1, +1, +1, +1, +1, +1, +1, –1)

А3 = (+1, +1, –1, –1, –1, –1, –1, –1, +1, +1, –1)

А4 = (+1, +1, –1, +1, –1, –1, +1, +1, –1, –1, –1)

B = (–1, –1, +1, +1, +1, –1, +1, +1, +1, –1, –1)

Исходные данные:

А1 = (–1, +1, –1, +1, –1, +1, –1, –1, +1, –1, –1)

А2 = (–1, +1, +1, –1, –1, –1, +1, –1, +1, +1, +1)

А3 = (–1, –1, +1, –1, –1, –1, +1, +1, +1, –1, +1)

А4 = (+1, –1, –1, +1, +1, –1, +1, –1, +1, –1, +1)

B = (+1, –1, –1, –1, +1, –1, –1, +1, +1, –1, +1)

Исходные данные:

А1 = (–1, +1, +1, +1, –1, +1, +1, +1, –1, +1, +1)

А2 = (+1, +1, +1, –1, +1, +1, +1, +1, +1, –1, +1)

А3 = (+1, –1, –1, –1, +1, +1, –1, +1, –1, +1, –1)

А4 = (+1, +1, –1, +1, –1, +1, +1, –1, +1, –1, –1)

B = (–1, +1, –1, –1, –1, –1, +1, +1, +1, +1, +1)

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 в ответе надо записать «–12,33».

Исходные данные:

K = 0; N = 9; B = 1,2; C = 0,4; D = 0,1; T = 0,8.

Исходные данные:

K = 3; N = 14; B = 2; C = 0,9; D = 0,1; T = 0,3.

Исходные данные:

K = 0; N = 9; B = 1,9; C = 0,7; D = 0,1; T = 0,4.

Исходные данные:

K = 3; N = 14; B = 3; C = 1; D = 0,1; T = 0,2.

Исходные данные:

K = 0; N = 8; B = –6; C = 0,1; D = 0,1; T = 0,7.

Исходные данные:

K = 0; N = 8; B = 9,5; C = 0,1; D = 0,1; T = 0,7.

Исходные данные:

K = 0; N = 6; B = –1; C = 2; D = 0,1; T = 1.

Исходные данные:

K = 3; N = 14; B = 5; C = 1,2; D = 0,1; T = 0,1.

Исходные данные:

K = 3; N = 10; B = –1,5; C = 2; D = 0,1; T = 0,5.

Исходные данные:

K = 0; N = 9; B = –9,4; C = 0,8; D = 0,1; T = 0,1.

Исходные данные:

K = 0; N = 8; B = –4; C = 0,3; D = 0,1; T = 0,5.

Исходные данные:

K = 0; N = 6; B = –3; C = 0,4; D = 0,1; T = 0,5.

Исходные данные:

K = 0; N = 6; B = –1; C = 0,6; D = 0,1; T = 0,6.

Исходные данные:

K = 0; N = 8; B = –5; C = 0,2; D = 0,1; T = 0,7.

Исходные данные:

K = 3; N = 14; B = 4; C = 1,1; D = 0,1; T = 0,1.

Исходные данные:

K = 0; N = 6; B = –2; C = 0,5; D = 0,1; T = 0,5.

Исходные данные:

K = 0; N = 6; B = 0,5; C = 0,7; D = 0,1; T = 0,6.

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 в ответе надо записать «–12,33».

Система описывается следующими нечеткими правилами:

1) если x есть Nx и y есть Ny, то z есть Pz;

2) если x есть Px и y есть Py, то z есть Nz.

x и y – входные переменные, а z – выходная переменная. Переменные x, y, z могут принимать любые значения в диапазоне [–1, 1]. Nx, Ny, Nz, Px, Py, Pz – функции принадлежности, определенные следующим образом:

Nx(x) = 1 при –1 ≤ x ≤ –0,5

Nx(x) = 0,5 – x при –0,5 < x ≤ 0,5

Nx(x) = 0 при 0,5 < x ≤ 1

Px(x) = 0 при –1 ≤ x ≤ –0,5

Px(x) = x + 0,5 при –0,5 < x ≤ 0,5

Px(x) = 1 при 0,5 < x ≤ 1

Ny(y) = 1 при –1 ≤ y ≤ –0,5

Ny(y) = 0,5 – y при –0,5 < y ≤ 0,5

Ny(y) = 0 при 0,5 < x ≤ 1

Py(y) = 0 при –1 ≤ y ≤ –0,5

Py(y) = y + 0,5 при –0,5 < y ≤ 0,5

Py(y) = 1 при 0,5 < y ≤ 1

Nz(z) = 1 при –1 ≤ z ≤ –0,5

Nz(z) = 0,5 – y при –0,5 < z ≤ 0,5

Nz(z) = 0 при 0,5 < z ≤ 1

Pz(z) = 0 при –1 ≤ z ≤ –0,5

Pz(z) = y + 0,5 при –0,5 < z ≤ 0,5

Pz(z) = 1 при 0,5 < z ≤ 1

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 в ответе надо записать «–12,33».

Исходные данные:

x0 = –0,3; y0 = –0,1.

Исходные данные:

x0 = –0,3; y0= –0,2.

Исходные данные:

x0 = 0,1; y0 = 0,15.

Исходные данные:

x0 = 0; y0 = –0,1.

Исходные данные:

x0 = 0,2; y0 = –0,3.

Исходные данные:

x0 = –0,1; y0 = –0,3.

Исходные данные:

x0 = –0,1; y0 = 0,3.

Исходные данные:

x0 = 0; y0 = –0,25.

Исходные данные:

x0 = –0,2; y0 = 0,3.

Исходные данные:

x0 = –0,3; y0 = –0,3.

Исходные данные:

x0 = 0,1; y0 = 0,2.

Исходные данные:

x0 = 0,2; y0 = 0,3.

Исходные данные:

x0 = 0; y0 = –0,2.

Исходные данные:

x0 = –0,2; y0 = 0.

Исходные данные:

x0 = 0,1; y0 = 0.

Исходные данные:

x0 = –0,1; y0 = –0,2.

Исходные данные:

x0 = –0,2; y0 = 0,1.

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 в ответе надо записать «–12,33».

Система описывается следующими нечеткими правилами:

1) если x есть Nx и y есть Ny, то z есть Pz;

2) если x есть Px и y есть Py, то z есть Nz.

x и y – входные переменные, а z – выходная переменная. Переменные x, y, z могут принимать любые значения в диапазоне [–1, 1]. Nx, Ny, Nz, Px, Py, Pz – функции принадлежности, определенные следующим образом:

Nx(x) = 1 при –1 ≤ x ≤ –0,5

Nx(x) = 0,5 – x при –0,5 < x ≤ 0,5

Nx(x) = 0 при 0,5 < x ≤ 1

Px(x) = 0 при –1 ≤ x ≤ –0,5

Px(x) = x + 0,5 при –0,5 < x ≤ 0,5

Px(x) = 1 при 0,5 < x ≤ 1

Ny(y) = 1 при –1 ≤ y ≤ –0,5

Ny(y) = 0,5 – y при –0,5 < y ≤ 0,5

Ny(y) = 0 при 0,5 < x ≤ 1

Py(y) = 0 при –1 ≤ y ≤ –0,5

Py(y) = y + 0,5 при –0,5 < y ≤ 0,5

Py(y) = 1 при 0,5 < y ≤ 1

Nz(z) = 1 при –1 ≤ z ≤ –0,5

Nz(z) = 0,5 – y при –0,5 < z ≤ 0,5

Nz(z) = 0 при 0,5 < z ≤ 1

Pz(z) = 0 при –1 ≤ z ≤ –0,5

Pz(z) = y + 0,5 при –0,5 < z ≤ 0,5

Pz(z) = 1 при 0,5 < z ≤ 1

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 в ответе надо записать «–12,33».

Исходные данные:

x0 = 0,2; y0 = –0,35.

Правильный ответ: -0,02

Исходные данные:

x0 = –0,1; y0 = –0,2.

Правильный ответ: 0,13

Исходные данные:

x0 = –0,3; y0 = –0,2.

Правильный ответ: 0,22

Исходные данные:

x0 = 0; y0 = –0,1.

Правильный ответ: 0,04

Исходные данные:

x0 = 0,2; y0 = 0,3.

Правильный ответ: -0,22

Исходные данные:

x0 = 0,1; y0 = 0.

Правильный ответ: 0,04

Исходные данные:

x0 = –0,3; y0 = –0,35.

Правильный ответ: 0,31

Исходные данные:

x0 = –0,1; y0 = –0,3.

Правильный ответ: 0,15

Исходные данные:

x0 = –0,2; y0 = 0.

Правильный ответ: 0,08

Исходные данные:

x0 = 0; y0 = –0,2.

Правильный ответ: 0,08

Исходные данные:

x0 = 0,1; y0 = 0,15.

Правильный ответ: -0,12

Исходные данные:

x0 = –0,1; y0 = 0,3.

Правильный ответ: -0,03

Исходные данные:

x0 = 0; y0 = –0,25.

Правильный ответ: 0,08

Исходные данные:

x0 = 0,1; y0 = 0,2.

Правильный ответ: -0,13

Исходные данные:

x0 = –0,2; y0 = 0,1.

Правильный ответ: 0,03

Исходные данные:

x0 = –0,3; y0 = –0,1.

Правильный ответ: 0,15

Исходные данные:

x0 = –0,2; y0 = 0,35.

Правильный ответ: 0,02

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 в ответе надо записать «–12,33».

Система описывается следующими нечеткими правилами:

1) если x есть Nx и y есть Ny, то z есть Pz;

2) если x есть Px и y есть Py, то z есть Nz.

x и y – входные переменные, а z – выходная переменная. Переменные x, y, z могут принимать любые значения в диапазоне [–1, 1]. Nx, Ny, Nz, Px, Py, Pz – функции принадлежности. определенные следующим образом:

Nx(x) = 1 при –1 ≤ x ≤ –0,5

Nx(x) = 0,5 – x при –0,5 < x ≤ 0,5

Nx(x) = 0 при 0,5 < x ≤ 1

Px(x) = 0 при –1 ≤ x ≤ –0,5

Px(x) = x + 0,5 при –0,5 < x ≤ 0,5

Px(x) = 1 при 0,5 < x ≤ 1

Ny(y) = 1 при –1 ≤ y ≤ –0,5

Ny(y) = 0,5 – y при –0,5 < y ≤ 0,5

Ny(y) = 0 при 0,5 < x ≤ 1

Py(y) = 0 при –1 ≤ y ≤ –0,5

Py(y) = y + 0,5 при –0,5 < y ≤ 0,5

Py(y) = 1 при 0,5 < y ≤ 1

Nz(z) = 1 при –1 ≤ z ≤ –0,5

Nz(z) = 0,5 – y при –0,5 < z ≤ 0,5

Nz(z) = 0 при 0,5 < z ≤ 1

Pz(z) = 0 при –1 ≤ z ≤ –0,5

Pz(z) = y + 0,5 при –0,5 < z ≤ 0,5

Pz(z) = 1 при 0,5 < z ≤ 1

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 в ответе надо записать «–12,33».

Исходные данные:

x0 = –0,2; y0 = 0,1.

Правильный ответ: 0,08

Исходные данные:

x0 = –0,3; y0 = –0,3.

Правильный ответ: 0,31

Исходные данные:

x0 = –0,1; y0 = –0,3.

Правильный ответ: 0,26

Исходные данные:

x0 = –0,3; y0 = –0,2.

Правильный ответ: 0,29

Исходные данные:

x0 = 0; y0 = –0,25.

Правильный ответ: 0,18

Исходные данные:

x0 = 0,1; y0 = 0.

Правильный ответ: -0,06

Исходные данные:

x0 = 0,1; y0 = 0,15.

Правильный ответ: -0,14

Исходные данные:

x0 = –0,1; y0 = –0,2.

Правильный ответ: 0,18

Исходные данные:

x0 = –0,2; y0 = 0.

Правильный ответ: 0,14

Исходные данные:

x0 = –0,1; y0 = 0,3.

Правильный ответ: -0,18

Исходные данные:

x0 = 0,2; y0 = –0,3.

Правильный ответ: 0,11

Исходные данные:

x0 = 0,1; y0 = 0,2.

Правильный ответ: -0,18

Исходные данные:

x0 = 0,2; y0 = 0,3.

Правильный ответ: -0,29

Исходные данные:

x0 = 0; y0 = –0,2.

Правильный ответ: 0,14

Исходные данные:

x0 = –0,3; y0 = –0,1.

Правильный ответ: 0,26

Исходные данные:

x0 = –0,2; y0 = 0,3.

Правильный ответ: -0,11

Исходные данные:

x0 = 0; y0 = –0,1.

Правильный ответ: 0,06

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 в ответе надо записать «–12,33».