Вопросы/задания: Вопросы к экзамену
Описание
Характеристики вопросов/заданий
Список файлов
- ReadMe.txt 276 b
- Вопросы к экзамену.txt 3,35 Kb
Файлы скачаны со студенческого портала для студенты "Baumanki.net"
Файлы представлены исключительно для ознакомления
Не забывайте, что Вы можете зарабатывать, выкладывая свои файлы на сайт
Оценивайте свой ВУЗ в различных голосованиях, в том числе в досье на преподавателей!
Контрольные вопросы к экзамену по курсу «Распознавание образов»
Лектор: Гаврилов К.Ю.
Основные этапы построения систем распознавания образов (РО). Задачи проектирования и примеры систем РО.
Классификация систем PO. Понятие дискриминантных (решающих) функций. Геометрическая интерпретация процедуры распознавания.
Виды решающих функций. Линейные решающие функции, оптимизация их параметров. Понятие пополненного пространства признаков и его геометрическая интерпретация.
Классификация образов по минимуму расстояния до эталонов классов. Правила ближайшего соседа и q ближайших соседей при решении задач РО.
Кластерный анализ. Алгоритмы выявления кластеров: простой алгоритм, алгоритм максиминного расстояния, алгоритм К внутригрупповых средних.
Обучаемые классификаторы образов. Персептрон Розенблатта и алгоритм его обучения при произвольном числе классов. Примеры обучения персептрона Розенблатта и задача Xor («Исключающее ИЛИ»).
Доказательство сходимости процедуры обучения персептрона Розенблатта (теорема Новикова).
Метод потенциальных функций и пример его применения в случае линейно неразделимых классов образов.
Применение Байесовского подхода (БП) для РО. Вид решающей функции и структурная схема классификатора при использовании БП.
Методы максимума апостериорной вероятности (МАВ) и максимума функции правдоподобия (МФП) как частные случаи БП для РО. Виды решающих функций при использовании методов МАВ и МФП.
Применение БП к РО в пространстве признаков, заданных в виде многомерной нормальной плотности распределения вероятностей.
История развития искусственных нейронных сетей (НС). Физиологические основы НС. Классификация искусственных НС.
Однослойные НС. Структурные схемы и функции активации. Правило обучения Хебба.
Однослойные НС с линейной функцией активации. Правило обучения Видроу-Хоффа (дельта-правило).
Многослойные НС (МНС): структура и основные определения. Теорема о существовании МНС для любых классов образов (теорема Колмогорова). МНС высокого порядка.
Алгоритм обратного распространения ошибки (АОРО) при обучении МНС. Формулы для рекуррентного вычисления весовых коэффициентов в процессе обучения. Прямой и обратный проход вычислений при реализации АОРО.
Скорость обучения, выбор функции активации и критерии останова процедуры обучения МНС при использовании АОРО. Последовательный и пакетный режимы обучения МНС.
Алгоритмы обучения МНС, использующие метод Ньютона. Выбор параметров МНС и числа обучающих образов. Понятия «недообученной» и «переобученной» МНС.
НС на основе радиальных базисных функций (RBF-сети): принципы построения, структурная схема и пример применения RBF-сети. Теорема о существовании RBF-сети, разделяющей линейно неразделимые классы образов (теорема Ковера).
Построение RBF-сети как решение задачи интерполяции. Выбор базисных функций скрытого слоя и вычисление вектора весовых коэффициентов выходного слоя. Вычисление вектора весовых коэффициентов RBF-сети в случае плохо обусловленной задачи. Сходства и отличия RBF-сетей и МНС.
Карты самоорганизации (КС): принципы построения и структурная схема. Обучение КС: конкуренция, кооперация, синоптическая адаптация.
Нейродинамика. Временная обработка процессов с использованием сетей прямого распространения. Виды динамических нейронных сетей.
Динамически управляемые рекуррентные нейронные сети (РНС). Архитектуры РНС. Сеть RMLP и сеть Элмана - структура и алгоритм обучения.
Начать зарабатывать