上海理工大学
- 粗集神经网络结合的特点有( )
- 下面对路径诱导问题和旅行商问题描述正确的是？（）
- 遗传算法的应用范围有(ABCD)
- 粗集理论可以应用于哪些方面( )
- 以下哪些是信息矩阵的特点？（）ABD
- 与遗传算法收敛性有关的因素包括（ ）。
- 人工神经元网络的特点有哪些（）
- 以下哪些方法属于聚类分析方法？（）
- DSS的模糊不确定性主要表现以下哪几个方面？（）
- 以下哪些是“超参数”？
- 不精确性是模糊命题的固有特性。（ ）
- 神经网络使用大量的简单处理单元（即神经元）处理信息，神经元按层次结构的形式组织，每层上的神经元以加权的方式与其他层上的神经元连接起来，采用_________机制。( )
- 交叉概率过高可能导致的问题为（）
- 信息融合三级功能模型的发展是JDL提出的四级融合模型，它是在原来的三级模型基础上又增加了“精细处理”的第四级。第零级为_____，将输入信息归一化、格式化、排序、打包、压缩等，以适应后续处理的数据格式、存储量和通信量等方面的要求。（ ）
- D-S理论与Bayes方法产生同样的结果，即当______，证据理论就变成了概率论。（ ）
- 下面哪一特征不属于自然界中蚂蚁群体的系统性特征？（）
- M.Dorigo在Ant-Q System蚁群算法中采用了（）选择策略。
- 对于函数优化问题，如一些（）等函数问题用遗传算法很容易得到较好的结果，而用其他算法则较难。
- p(Ak | B)也是一个概率分布形式，是在做试验后获得的，故常称为（ ）
- 对于任一___,若r不可省略，则R为___的。( )
- 智能神经元就是具有（ ），并可以通过一定的学习规则在一类或几类函数中调整其处理元。
- 灰色系统理论和方法的核心是灰色模型（）
- 优化排序蚂蚁系统的排序思想来源于（）。
- 粗集理论可以应用于粗糙集的文本分类，根据加权公式，出现一个词j的文本数越___,所有训练文本的个数越___,表示的特征词j在越多的文本中出现,其对分类的区分性越差,其重要度则越小。( )
- 主要是通过对信息融合系统的性能评估，达到实时控制和/或长期改进的目的。（ ）
- 假设你的输入是300×300彩色（RGB）图像，并且你使用卷积层和100个过滤器，每个过滤器都是5×5的大小，请问这个隐藏层有多少个参数（包括偏置参数）？
- 人工神经元模型可以看成是由3种基本元素组成一个连接，一个加法器和（）
- 用粗集方法进行图像中值滤波时，噪声密度的计算公式为( )。
- 从数字上看BP学习算法是一种( )
- 信息处理单元是指________的基本单位。（ ）
- 抗体亲和力函数和（）有关
- 有一个63x63x16的输入，有32个过滤器进行卷积，每个过滤器的大小为7x7，步幅为1，你想要使用“same”的卷积方式，请问pad的值是多少？
- 你有一个32x32x16的输入，并使用步幅为2、过滤器大小为2的最大化池，请问输出是多少？
- 下列蚁群优化算法中哪种在解决旅行商问题上效果最优？（）
- 遗传操作的基本基因操作不包括（）
- 模糊控制器是一种容易控制、掌握的较理想的非线性控制器，具有较佳的适应性及强健性、较佳的容错性。
- 基本蚁群系统模型中的启发函数表示的是蚂蚁从元素i转移到元素j的期望程度。
- 每个超参数如果设置得不好，都会对训练产生巨大的负面影响，因此所有的超参数都要调整好
- 遗传算法的基本思想是基于Darwin进化论和Maxwell的电磁学的。
- 分层型神经网络将一个网络模型中的所有神经元功能分为若干层，一般有输入层、中间层和输出层,中间层是神经网络的内部处理单元层，与外部直接连接( )
- 在灰色模型中对于灰色量的处理是寻求它的统计规律和概率分布（）
- 粗集神经网络模型中，神经网络只能接受单值输入。
- BP神经网络在网络理论和网络性能方面都比较成熟，并具有很强的非线性映射能力和柔性的网络结构 ( )
- Logistic回归的权重w应该随机初始化，而不是全零，因为如果初始化为全零，那么逻辑回归将无法学习到有用的决策边界，因为它将无法“破坏对称性”
- 模糊逻辑和可能性框架可以用极其简单的方式表达不确定性和不准确性，特别是当不确定性是根据主观感觉而不是精确的统计获得时，使用模糊集和可能性模型最适合。（ ）
- 抗体抗原表示法用于计算它们相互作用（互补）程度的距离测量
- 粗糙集侧重分类，模糊集侧重个体的含糊性。
- 作为智能交通系统（ITS）的重要研究方面，交通流诱导是目前公认的是提高交通效率和机动性的最佳途径( )
- 建立灰色粗集模型进行故障诊断，计算量小，适合实时诊断，但是一定程度上降低了诊断的准确程度。
- 我们使用普通的网络结构来训练一个很深的网络，要使得网络适应一个很复杂的功能（比如增加层数)，总会有更低的训练误差。
- 找到好的超参数的值是非常耗时的，所以通常情况下你应该在项目开始时做一次，并尝试找到非常好的超参数，这样你就不必再次重新调整它们
- 在基本蚁群系统模型中，信息启发式因子α反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中受重视程度。（）
- 免疫系统的多样性，本质就是抗体的多样性
- 遗传算法是一个循环寻优的过程。
- 当数据对象越相似，余弦相似函数越趋近于0，反之则趋近于1。（）
A:粗神经网络的泛化性能可以从改善学习样本质量、优化网络结构、控制训练时间、应用先验知识等方面得到提高;此外还有神经网络集成、正则化神经网络等方法。 B:将粗神经网络应用于沉积微相识别这一实际问题，实验结果表明粗神经网络对于样本复杂、学习样本规模大的情况有较好的学习能力和泛化能力，网络性能较稳定。 C:将遗传算法和误差逆传播算法结合起来作为粗神经网络的学习算法，不仅能收敛到全局最小值，且学习效率较高。 D:基于粗集理论的神经网络有机结合粗糙集理论和神经网络理论，在网络模型中引入粗糙神经元，改变了神经网络只能接收单值输入的情况，提高了处理复杂、不精确信息的能力。
答案:基于粗集理论的神经网络有机结合粗糙集理论和神经网络理论,在网络模型中引入粗糙神经元,改变了神经网络只能接收单值输入的情况,提高了处理复杂.不精确信息的能力.;将粗神经网络应用于沉积微相识别这一实际问题,实验结果表明粗神经网络对于样本复杂.学习样本规模大的情况有较好的学习能力和泛化能力,网络性能较稳定.;将遗传算法和误差逆传播算法结合起来作为粗神经网络的学习算法,不仅能收敛到全局最小值,且学习效率较高.;粗神经网络的泛化性能可以从改善学习样本质量.优化网络结构.控制训练时间.应用先验知识等方面得到提高;此外还有神经网络集成.正则化神经网络等方法.
A:搜索结束条件不同 B:两者相同 C:网络结构不同 D:搜索方向性不同
答案:网络结构不同###搜索方向性不同###搜索结束条件不同
A:机器学习 B:生产调度 C:人工生命 D:函数优化
答案:生产调度###人工生命###机器学习###函数优化
A:神经网络 B:数据挖掘 C:图像滤波 D:模式识别
答案:图像滤波###模式识别###神经网络###数据挖掘
A:信息矩阵可以避免了人为因素对原始信息数据客观性的破坏 B:信息矩阵需要构造隶属函数 C:信息矩阵是直接从原始信息过渡到系统模型 D:信息矩阵是比函数关系、模糊关系等更灵活的一种数据关系
答案:信息矩阵可以避免了人为因素对原始信息数据客观性的破坏###信息矩阵是直接从原始信息过渡到系统模型###信息矩阵是比函数关系、模糊关系等更灵活的一种数据关系
A:变异概率 B:选择操作 C:种群规模 D:适应度函数
答案:A: 变异概率 B: 选择操作 C: 种群规模 D: 适应度函数
A:大规模并行协同处理 B:自组织和自适应 C:信息分布存储和容错性 D:自学习
答案:信息分布存储和容错性###大规模并行协同处理###自学习###自组织和自适应
A:分层算法 B:神经网络法 C:图论聚类法 D:K均值算法
答案:图论聚类法###分层算法###神经网络法###K均值算法
A:DSS资源和决策目标的弹性约束 B:DSS通常有人员参加，主观因素将使系统具有模糊不确定性 C:DSS对一些尚未运行或复杂的系统，人们对系统的认识只处于部分定量的程度 D:DSS通常没有人员参加
答案:DSS资源和决策目标的弹性约束###DSS通常有人员参加，主观因素将使系统具有模糊不确定性###DSS对一些尚未运行或复杂的系统，人们对系统的认识只处于部分定量的程度
A:迭代次数 B:学习率α C:隐藏层的大小n D:神经网络中的层数L
A:都不对 B:精确性 C:不精确性 D:随机性
A:并行结构 B:都不对 C:并行结构和并行处理 D:并行处理
A:新个体数目不足 B:计算量大 C:难以形成通用算法程序 D:过早收敛
A:分类处理 B:聚类处理 C:信源预处理 D:都不对
A:已知时 B:都不对 C:不唯一时 D:不确定时
A:整体性 B:多元性 C:相关性 D:无关性
A:不确定 B:随机性 C:确定性 D:确定性与随机性相结合
A:非线性、多模型、多目标 B:非线性、单模型、多目标 C:线性、多模型、多目标 D:非线性、单模型、单目标
A:概率密度函数 B:先验分布 C:后验分布 D:都不对
A:r∉R，冗余 B:r∈R，冗余 C:r∈R，独立 D:r∉R，独立
A:都不对 B:广义神经网络 C:RBF网络 D: BP神经网络
A:都对 B:贝叶斯模型 C:灰色模型 D:朴素贝叶斯模型
A:神经网络算法 B:免疫算法 C:遗传算法 D:模拟退火算法
A:多，多 B:少，少 C:少，多 D:多，少
A:态势评估 B:威胁评估 C:性能评估 D:信源预处理
A:7600 B:7500 C:2600 D:2501
A:减法器 B:输出 C:放大器 D:一个激活函数
A:〔噪声点像素/图像总像素〕×100% B:〔1 - (灰度值改变的信号像素+灰度值不变的噪声像素) / 图像总像素〕×100% C:〔滤波后灰度值改变的信号像素/ 信号总像素〕×100 % D:〔滤波后灰度值不发生变化的噪声像素/ 实际噪声点总像素〕×100%
A:单纯性法 B:牛顿法 C:拟牛顿法 D:梯度下降法
A:MCG数学模型 B:信息融合模型 C:黑板模型 D:云模型
A:密度函数 B:目标函数 C:期望值函数 D:突变概率函数
A:3 B:2 C:1 D:7
A:16x16x8 B:16x16x16 C:32x32x8 D:15x15x16
A:最优最差蚂蚁系统 B:精英蚂蚁系统 C:优化排序蚂蚁系统 D:最大最小蚂蚁系统
A:交叉 B:选择 C:初始化 D:变异
A:对 B:错
A:对 B:错
A:错 B:对
A:对 B:错
A:错 B:对
A:错 B:对
A:错 B:对
A:错 B:对
A:对 B:错
A:对 B:错
A:对 B:错
A:错 B:对
A:对 B:错
A:对 B:错
A:错 B:对
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
温馨提示支付 ￥5.00 元后可查看付费内容,请先翻页预览!
