Ответы на вопросы из коллекции "Основы нейронных сетей" на СтудИзбе

Эффект интегрального насыщения может привести к … сигнала

Этап, который описывает оптимизацию параметров и архитектуры при реализации схемы нейронного управления, — это …

• тестирование и валидация
• определение задачи
• оптимизация и настройка
• развертывание и использование

Экспериментальные данные для создания нейронной сети a используются в диапазоне …

• (-∞, ∞)
• (0, ∞)
• (-1, 1)
• (0, 1)

Целью системы автоматического управления (САУ) является …

• проведение научных экспериментов
• установление требуемого режима работы объекта управления
• увеличение производственной мощности
• создание новых материалов

Функция, которая чаще всего используется в качестве функции активации в искусственных нейронных сетях, — это … функция

• линейная
• ступенчатая
• полиномиальная
• сигмоидальная

Функция активации в искусственных нейронных сетях – это …

• вес синапса
• узел, который связывает нейрон с нейронами следующего слоя
• уровень влияния входа нейрона
• функция, которая определяет выходное значение аксона нейрона

Установите порядок основных этапов в использовании нейронной сети для распознавания образов в хронологическом порядке:
определение функции активации
обработка входных данных
обучение модели
прямое распространение

Упорядочьте этапы создания нейронной сети в пакете MatLab в правильной последовательности:
определение структуры нейронной сети (например, Feedforward, Recurrent)
определение функций активации для каждого слоя
инициализация нейронной сети
задание параметров обучения и метода обучения
установка весов и пороговых значений

Упорядочьте этапы процедуры обучения нейронной сети в порядке их выполнения:
подача входных данных и вычисление выхода сети
расчет ошибки между ожидаемым и фактическим выходом
корректировка весов сети для уменьшения ошибки

Упорядочьте этапы процедуры обучения методом обратного распространения ошибки (backpropagation) в порядке их выполнения:
передача вперед входных данных и вычисление результатов каждого слоя
расчет градиента функции потерь по весам сети
применение градиентного спуска для обновления весов

Упорядочьте этапы построения нейронной сети в пакете MatLab в правильной последовательности:
выбор типа нейронной сети (например, обучение с учителем или без учителя)
определение числа слоев и нейронов в каждом слое
задание функции активации для каждого слоя
выбор метода обучения и параметров обучения
установка критерия останова

Упорядочьте этапы обучения нейронной сети для автоматического управления в порядке их выполнения:
подача входных данных
обработка данных в слоях сети
корректировка весов связей в сети
принятие решений и управление

Упорядочьте этапы обучения нейронной сети в правильной последовательности:
инициализация весов
применение функции активации
обратное распространение ошибки

Упорядочьте этапы обработки информации в биологическом нейроне в хронологическом порядке:
Прием сигналов от других нейронов через дендриты
Стимуляция клеточного тела для генерации сигнала
Передача электрических импульсов через аксон
Формирование синапсов для соединения с другими нейронами

Упорядочьте этапы каскадной модели управления нейросетями в правильной последовательности:
сбор требований
тестирование
внедрение
внедрение

Упорядочьте этапы в обработке данных при использовании нейронных сетей в хронологическом порядке:
подготовка данных
применение алгоритма обучения
тестирование модели
оценка результатов

Упорядочьте циклы разработки нейросети в спиральной модели управления в правильной последовательности:
определение целей
анализ рисков
разработка
тестирование

Упорядочьте типы нейронных сетей по их применению в автоматическом управлении от наименее к наиболее распространенному:
простые нейронные сети
сверточные нейронные сети
многослойные персептроны

Упорядочьте типы нейронных сетей по возрастанию сложности (от меньшего к большему):
полносвязанные сети
сверточные сети
рекуррентные сети

Упорядочьте методы оптимизации в порядке возрастания сложности (от меньшего к большему):
стохастический градиентный спуск (SGD)
метод адаптивных градиентов (Adagrad)
метод имитации отжига (Simulated Annealing)

Упорядочьте компоненты биологического нейрона по мере прохождения сигнала:
клеточное тело
дендриты
аксон
синапсы

У нейрона есть … - более длинная и одиночная ветвь, которая передает электрические импульсы другим нейронам

Типы задач, которые хорошо подходят для обучения нейронных сетей без учителя, — это …

• прогнозирование
• функции аппроксимации
• кластеризация
• распознавание звуков

Типы задач, которые хорошо подходят для обучения нейронных сетей с учителем, — это …

• кластеризация
• распознавание звуков
• языковые модели
• функции аппроксимации

Тип функциональной зависимости, который реализует созданная нейронная сеть a, согласно предоставленным данным, — это …

• y = x
• y = x^2
• y = sin(x)
• y = e^x

Тип нейронной сети, который использует MATLAB для создания обобщенно-регрессионной НС (GRNN), — это …

• однослойный перцептрон
• многослойный перцептрон
• сеть Ворда
• GRNN

Тип нейронной сети, в которой используется для аппроксимации выбранной функции y = x^2, — это …

• однослойный перцептрон
• сеть Хэмминга
• многослойный перцептрон
• сеть Хопфилда

Сумматор внутри искусственного нейрона …

• умножает входные сигналы на свои веса
• преобразует взвешенную сумму в исходный сигнал
• суммирует входные сигналы, умноженные на соответствующие веса

Структурный синтез нейросетевых систем управления базируется на использовании конечного числа типовых … структур

Способность однослойных нейронных сетей моделировать сложные нелинейные зависимости между входными и выходными данными – это …

• простота
• интерпретируемость
• высокая скорость обучения
• ограниченная способность моделирования

Сопоставьте этапы обработки информации в искусственном нейроне с их функциями:
A. Прием входных сигналов
B. Вычисление взвешенной суммы входных сигналов
C. Применение функции активации к взвешенной сумме
D. обработка входных данных и присвоение им весов
E. получение окончательного выходного сигнала
F. формирование окончательного решения

Сопоставьте этапы каскадной модели управления нейросетями с их описаниями:
A. Разработка
B. Тестирование
C. Внедрение
D. нейросеть внедряется в реальное рабочее окружение и начинает активное использование
E. происходит создание архитектуры нейросети и программирование ее поведения
F. проверяется работоспособность нейросети, ее точность и устойчивость

Сопоставьте этапы итеративной модели управления нейросетями с их характеристиками:
A. Анализ
B. Проектирование
C. Реализация
D. определяются требования к функциональности нейросети и ее возможности
E. создается детальный план реализации нейросети на основе выявленных требований
F. непосредственно создается и тестируется нейросеть

Сопоставьте шаг обучения нейронной сети с его последовательностью выполнения:
A. Обратное распространение ошибки
B. Инициализация весов
C. Применение функции активации
D. шаг 3
E. шаг 2
F. шаг 1

Сопоставьте циклы разработки нейросети в спиральной модели управления с их описаниями:
A. Определение целей
B. Анализ рисков
C. Тестирование
D. формулируются требования к функциональности и производится планирование разработки.
E. определяются вероятные риски, которые могут повлиять на успешность разработки.
F. происходит создание и тестирование нейросети на каждой итерации.

Сопоставьте функцию активации с ее описанием:
A. ReLU (Rectified Linear Unit)
B. Сигмоидальная функция
C. Гиперболический тангенс
D. линейная функция с пороговой активацией. Оптимальна для большинства нейронных сетей
E. S-образная кривая, используется в выходном слое для бинарной классификации
F. S-образная функция, похожа на сигмоидальную функцию, но имеет значения в диапазоне [-1, 1]

Сопоставьте функции активации с их описанием:
A. Сигмоид
B. ReLU (Rectified Linear Unit)
C. Tanh (Гиперболический тангенс)
D. функция активации, которая преобразует взвешенную сумму в диапазон между 0 и 1
E. простая функция, возвращающая максимум из 0 и входного значения
F. аналог функции сигмоид, возвращающий значение в диапазоне между -1 и 1

Сопоставьте фазу процедуры обучения нейронной сети с ее описанием:
A. Обратное распространение (backpropagation)
B. Расчет градиента (gradient computation)
C. Применение градиентного спуска (gradient descent)
D. процесс, при котором корректируются веса в соответствии с градиентом функции потерь
E. метод обучения, при котором данные проходят через сеть вперед и затем в обратном направлении для корректировки весов
F. процедура вычисления производных функции потерь по весам сети

Сопоставьте фазу процедуры backpropagation с ее описанием:
A. Прямое распространение (forward propagation)
B. Расчет градиента (gradient calculation)
C. Обновление весов (weight update)
D. процесс, при котором данные проходят через сеть от входа к выходу
E. вычисление частных производных функции потерь по всем весам сети
F. использование градиента для обновления весов сети

Сопоставьте типы слоев нейронных сетей с их функциями:
A. Convolutional Layer
B. Recurrent Layer
C. Dense Layer
D. используется для извлечения признаков из входных изображений
E. позволяет моделировать последовательные данные и данные со связями во времени
F. слой, в котором каждый нейрон связан со всеми нейронами предыдущего и последующего слоя

Сопоставьте понятия и их определения:
A. Step
B. Scope
C. To Workspace
D. переходная функция
E. осциллограф
F. в рабочее пространство

Сопоставьте понятия и их определения:
A. Transport Delay
B. Transfer Fcn
C. Ramp
D. транспортная задержка
E. передаточная функция
F. Наклон

Сопоставьте область применения нейронных сетей с примером ее использования:
A. Автономная навигация для роботов
B. Управление умным домом
C. Автономное управление автономными автомобилями
D. определение преград и планирование маршрута на основе визуальной информации
E. автоматическое управление освещением и отоплением на основе данных с датчиков
F. принятие решений о движении, обнаружении объектов на дороге и безопасном следовании маршруту

Сопоставьте метод оптимизации и его описание:
A. Стохастический градиентный спуск (SGD)
B. Метод адам (Adam)
C. Метод имитации отжига (Simulated Annealing)
D. метаэвристический алгоритм, использующийся для поиска глобального оптимума
E. простой метод оптимизации, основанный на идее поочередного подбора случайных образцов для обновления весов
F. эффективно сочетает в себе преимущества адаптивных методов моментума и RMSprop

Сопоставьте метод обучения нейронных сетей и его особенности:
A. Метод обратного распространения ошибки
B. Генетические алгоритмы
C. Методы глубокого обучения
D. обучение на основе корректировки весов связей между нейронами
E. обучение, основанное на эволюционных принципах
F. использование многослойных структур для извлечения сложных зависимостей из данных

Сопоставьте компоненты искусственного нейрона с их аналогами в биологическом нейроне:
A. Веса связей
B. Сумматор
C. Функция активации
D. синапсы
E. клеточное тело
F. аксон

Сопоставьте компоненты биологического нейрона с их функциями:
A. Дендриты
B. Аксон
C. Синапсы
D. прием сигналов от других нейронов
E. передача сигнала другим нейронам
F. соединение с другими нейронами для передачи сигналов

Сопоставьте виды нейронных сетей с их описанием:
A. CNN (Convolutional Neural Network)
B. RNN (Recurrent Neural Network)
C. DNN (Deep Neural Network)
D. применяется для обработки и анализа изображений, включая фильтрацию, классификацию и сегментацию
E. используется для анализа последовательных данных или данных со связями во времени
F. общий термин, используемый для нейронных сетей с более чем одним скрытым слоем

Сопоставьте архитектуру нейронной сети с областью ее применения:
A. Простые нейронные сети
B. Сверточные нейронные сети
C. Многослойные персептроны
D. автономное управление автономными автомобилями
E. управление умным домом
F. автономная навигация для роботов

Сопоставьте архитектуру нейронной сети с ее описанием:
A. Полносвязанная сеть
B. Сверточная сеть
C. Рекуррентная сеть
D. каждый нейрон предыдущего слоя связан с каждым нейроном следующего слоя
E. хорошо подходит для анализа изображений
F. подходит для обработки последовательностей и временных рядов

Создание сети завершается нажатием кнопки ….

Системы автоматического управления могут использовать игры …

• логические
• на бумаге
• моделирующие реальные физические процессы

Системы автоматического … предназначены для автоматического изменения одного или нескольких параметров объекта управления

Синапсы в контексте искусственной нейронной сети – это …

• циркулирующие числа
• связи между нейронами
• веса прямого прохода

Сверточные нейронные сети (CNN) оптимизированы для работы с визуальными и … данными

Самая часто используемая в нейронных сетях сигмоида — … функция

Рекуррентные нейронные сети обладают способностью запоминать и использовать информацию из предыдущих временных шагов при обработке … данных

Расположите этапы обработки информации в искусственном нейроне по порядку:
Прием входных сигналов
Вычисление взвешенной суммы входных сигналов
Применение функции активации к взвешенной сумме
Применение активационной функции для получения выходного сигнала

Процесс настройки сети получил название «… сети»

Простейшим методом усовершенствования … спуска является введение момента, когда влияние градиента на изменение весов накапливается со временем

Пропорциональный закон управления …

• никогда не стабилизируется в заданном значении
• приводит к автоколебаниям
• не имеет недостатков
• сложен в настройке

Пропорциональное управление противодействует …

• увеличению ошибки
• изменению скорости
• отклонению регулируемой величины от заданного значения
• внешним воздействиям

Принцип работы многослойных нейронных сетей, который охарактеризован как метод обучения, основанный на минимизации ошибки между выходными значениями и ожидаемыми выходными значениями, — это …

• прямое распространение
• обратное распространение ошибки
• метод Гаусса-Ньютона
• кластеризация данных

Принцип обучения нейронных сетей, который подразумевает необходимость наличия эталонных ответов, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Принцип обучения нейронных сетей, который подразумевает корректировку весовых коэффициентов на основе эталонных ответов, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Принцип обучения нейронных сетей, который основан на использовании данных без классификации или меток, — это обучение …

• с учителем
• без учителя
• с подкреплением
• посредством трансферного обучения

Поставьте в правильном порядке этапы итеративной модели управления нейросетями:
анализ
проектирование
реализация
тестирование

После сбора данных требуется разработать структуру нейронной сети или … нейронного управления

После обучения модель тестируется и … на новых данных

Первым этапом при реализации схемы нейронного управления является …

• сбор данных
• разработка архитектуры
• оптимизация и настройка
• определение задачи

Пакет Neural Networks Toolbox для MATLAB включает в себя … различных функций

• 50
• 100
• 160
• 200

Особенность нейронных сетей, которая позволяет им эффективно моделировать нелинейные системы и управлять ими, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им обрабатывать данные с ошибками и адаптироваться к изменениям в окружающей среде, делая их надежными инструментами для автоматического управления, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им быстро анализировать большие объемы данных и принимать решения в реальном времени в условиях автоматического управления, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая позволяет им быстро адаптироваться к изменяющимся условиям и оптимизировать свою работу в реальном времени, — это …

• способность к работе с нелинейными системами
• способность к обучению на основе данных
• параллельная обработка информации
• устойчивость к шуму и неопределенности

Особенность нейронных сетей, которая делает их особенно полезными для управления системами с нелинейной динамикой и адаптацией к изменяющимся условиям окружающей среды, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Основное преимущество, используемое нейронными сетями в автоматическом управлении, которое делает их надежными инструментами для адаптации к изменяющимся условиям, — это …

• способность к работе с нелинейными системами
• параллельная обработка информации
• способность к обучению на основе данных
• устойчивость к шуму и неопределенности

Определите правильный порядок этапов в обучении нейронной сети:
инициализация весов
прямое распространение
оценка результатов
обратное распространение ошибки

Однослойные нейронные сети могут использоваться для … данных

Однослойная нейронная сеть может использоваться для …

• решения задачи классификации
• аппроксимации функций
• управления роботами
• проектирования баз данных

Однослойная нейронная сеть может быть использована в следующих областях …

• медицина, автоэлектроника, аэрокосмическая промышленность
• компьютерное зрение, медицина, финансы
• промышленное производство, развлекательная индустрия, сельское хозяйство
• недвижимость, политика, образование

Однослойная нейронная сеть для распознавания образов и шаблонов может использоваться в …

• медицине и образовании
• сфере услуг и транспорте
• системах безопасности и компьютерном зрении
• индустрии развлечений и туризме

Одной из разновидностей регуляторов является регулятор …

• простой
• сложный
• пропорционально-интегрально-дифференцирующий (ПИД-регулятор)
• с обратной связью

Одной из разновидностей регуляторов является …-интегрально-дифференцирующий регулятор

Обучение с учителем подходит для решения вопросов, в которых известен требуемый …

Обучение нейронных сетей с учителем наиболее подходит для …

• распознавания звуков
• кластеризации
• функции аппроксимации
• языковых моделей

Обучение нейронных сетей без учителя от обучения с учителем отличает …

• наличие эталонных ответов
• корректировка весовых коэффициентов
• необходимость трансформации ответа в понятную форму
• использование данных без классификации или меток

Обучение без учителя применяют для кластеризации, языковых моделей, обнаружения … , статистических моделей

Нейроноподобные элементы для работы алгоритма должны …

• обладать высокой вероятностью
• иметь линейную зависимость
• быть неубывающими и иметь ограниченную производную
• быть максимально точными

Нейронные сети способны моделировать и … сложные нелинейные функции

Нейронные сети обладают высокой устойчивостью к … и неопределенности в данных

Нейрон смотрит на … сумму и если она получается больше его порога, то нейрон выдает выходной сигнал, равный 1

На входы искусственной нейронной сети подаются …

• веса связей
• индексы нейронов
• величины электрического сигнала
• степени возбуждения нейрона

Многослойные сети могут быть сопоставлены с оболочкой представления знаний … систем

Многослойные нейронные сети также успешно применяются в обработке … языка

Метод управления, который позволяет автоматически настраивать параметры ПИД регулятора в реальном времени – это … управление ПИД регуляторов

Метод обучения нейронных сетей, который особенно полезен для управления роботами, автомобилями и производственными процессами, — это обучение …

• с учителем
• без учителя
• с подкреплением
• методом обратного распространения ошибки

Ключевым элементом любой системы автоматического управления является …

• датчик
• индикатор
• регулятор
• привод

Ключевым элементом любой САУ является …

Класс алгоритмов машинного обучения, который имитирует работу человеческого мозга для выполнения сложных задач – это … нейронные сети