а) простейшая нейронная сеть;

b) адаптивная сеть с обратными связями;

c) многослойная сеть с прямым распространением активации;

d) адаптивная резонансная нейронная сеть;

е) клеточная топология нейронной сети.

93. Модель однослойного персептрона обладает:

а) способностью обучения и распознавания представленных образов;

b) возможностью реализовывать вычислительные процедуры скользящего среднего;

c) выявлять латентные структуры в исходных данных;

d) возможностью выявлять диссипативные структуры;

е) возможностью реализации генетического алгоритма.

94. В чем сущность задачи отделимости (Минский и Паперт):

а) с помощью линейной разграничивающей поверхности задача классификации

не может быть решена;

b) в нахождении единственной переменной дающей наибольшее изменение в доходе;

c) в выборе критериальной функции;

d) в выявлении диссипативных структур;

е) сравнительном анализе результатов сингулярного разложения.

95. Какая структура искусственной нейронной сети позволяет решить задачу отделимости:

а) персептрон с двумя и тремя слоями;

b) генетический алгоритм с выбранной функцией пригодности;

c) нечеткая система с продукционными правилами в базе знаний;

d) модуль дефаззификации и принятия решения;

е) модуль формирования индекса риска.

96. Цель решения задачи обучения для нейронной сети:

а) минимизация выбранного критерия качества по синаптическим коэффициентам;

b) оптимальное распределение ресурсов;

c) нахождение скользящего среднего для обучающей выборки;

d) нахождение расстояния по методу «ближнего соседа»;

е) нахождение расстояния по методу «дальнего соседа».

97. Какая критериальная функция использована в обучающем правиле Розенблатта:

а) линейная функция по значению величины ошибки функция;

b) квадратичная функция по значению величины ошибки;

c) в виде кососимметричной матрицы;

d) в виде кватерниона;

е) в виде нечеткого продукционного правила.

98. Какая критериальная функция использована в модифицированном обучающем правиле Розенблатта:

а) квадратичная функция по значению величины ошибки функция;

b) линейная функция по значению величины ошибки функция;

c) в виде нечеткого продукционного правила;

d) в виде кватерниона;

е) в виде кососимметричной матрицы.

99. Решение задачи оптимизации процедуры обучения обеспечивается:

а) итеративной процедурой определения оптимальной матрицы синаптических связей;

b) нечетким продукционным правилом;

c) итеративной процедурой сингулярного разложения матрицы;

d) процедурой многокритериального выбора;

е) кодированием общей структуры данных.

100. В модифицированном обучающем правиле Розенблатта использована функция:

а) логистическая функция;

b) релейная функция;

c) дельта-функция;

d) линейная функция;

е) кусочно-линейная функция.

101. Глобальные стратегии решения оптимизационных задач следующие:

а) исчерпывающего поиска и сортировки простых вариантов без изменения

---

алгоритмов;

b) оценки выбора лучших решений и их воспроизведение;

c) формирование базы правил;

d) определение лингвистических правил;

е) активизация нечеткой ассоциативной памяти.

102. Цель генетических алгоритмов заключается в:

а) абстрагировании и объяснении механизмов естественного отбора;

b) адаптации механизмов естественного отбора;

c) деффазификации выходной переменной;

d) фазификации входных переменных;

е) нечетком выборе.

103. Генетические алгоритмы являются:

а) стохастическим методом оптимизации;

b) методом случайного поиска;

c) детерминированными алгоритмами;

d) алгоритмами обновления трафика для выбора маршрута;

е) обучающими системами интерактивного аудиовизуального взаимодействия.

104. Генотип – это:

а) полная генетическая модель индивидуумов, которая представляет особенности структуры;

b) математический код, с помощью которого формализуются особенности структуры

индивидуумов;

c) элемент хромосомы, который кодирует некоторую особенность;

d) критерий, с помощью которого оценивается эффективность нового решения;

е) набор общих действующих моделей.

105. Хромосомная модель – это:

а) математический код, с помощью которого формализуются особенности структуры

индивидуумов;

b) полная генетическая модель индивидуумов, которая представляет особенности структуры;

c) элемент хромосомы, который кодирует некоторую особенность;

d) набор общих действующих моделей;

е) критерий, с помощью которого оценивается эффективность нового решения.

106. Фитнесс-функция – это:

а) критерий, с помощью которого оценивается эффективность нового решения:

b) полная генетическая модель индивидуумов, которая представляет особенности структуры;

c) элемент хромосомы, который кодирует некоторую особенность;

d) набор общих действующих моделей;

е) математический код, с помощью которого формализуются особенности структуры

индивидуумов.

107. Клеточная нейронная сеть содержит:

а) регулярно расположенные пространственные клетки, которые взаимодействуют

непосредственно с ближайшими соседними клетками;

b) последовательно соединенные нейронные блоки;

с) параллельно соединенные нейронные блоки;

d) соединение с обратной связью;

е) многослойную нейронную сеть.

---

Смотрите также файлы

• metod_kursovaja_DKB_moja.doc

• Андрагогика.doc

• Статистика-Нац бог-во.doc

• ББД.doc

• Базы Данных Теор. Экзамен.doc