人工智能习题.docx

第四章 计算智能（ 1）：神经计算 模糊计算
4-1 计算智能的含义是什么它涉及哪些研究分支
贝兹德克认为 计算智能 取决于制造者提供的数值数据， 而不依赖于知识。 计算智能是智力的低层认知。
) 。只有神经元所有输入的总效应达到阈值电平，
它才能开始工作。 此时， 神经元就产生一个全强度的输出窄脉冲，
从细胞体经轴突进入轴突
分枝。这时的神经元就称为被触发。 突触把经过一个神经元轴突的脉冲转化为下一个神经元
的兴奋或抑制。学习就发生在突触附近。
每个人脑大约含有 10^11-10^12 个神经元，每一神经元又约有
10^3-10^4 个突触。神经元通
过突触形成的网络， 传递神经元间的兴奋与抑制。
大脑的全部神经元构成极其复杂的拓扑网
络群体，用于实现记忆与思维。
人工神经网络的结构
人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。
人工神经网络的结构分为 2 类，
(1) 递归 (反馈 )网络
有些神经元的输出被反馈至同层或前层神经元。
Elmman 网络和 Jordan 网络是代表。

信号能够从正向和反向流通。

Hopfield

网络，
(2) 前馈网络
具有递阶分层结构， 由一些同层神经元间不存在互连的层级组成。 从输入层至输出层的信号通过单向连接流通， 神经元从一层连接至下一层， 不存在同层神经元之间的连接。 多层感知
器 (MLP)，学习矢量量化网络 (LVQ)，小脑模型连接控制网络 (CMAC)和数据处理方法网络
(GMDH)是代表。
人工神经网络的主要学习算法
(1) 指导式

(有师 )学习
根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括

Delta

规则，广义
Delta

规则，反向传播算法及

LVQ算法。
非指导 (无导师 )学习
训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括
Kohonen 算法， Carpenter-Grossberg 自适应谐振理论 (ART)
强化学习
是有师学习的一种特例。 它不需要老师给出目标输出，而是由一个 “评论员” 来评介与给定
输入相对应的神经网络输出的优度。例如遗传算法 (GA)
4-5 考虑一个具有阶梯型阈值函数的神经网络，假设
1） 用一常数乘所有的权值和阈值；
2） 用一常数加于所有权值和阈值。试说明网络性能是否会变化
4-6 构作一个神经网络，用于计算含有 2 个输入的 XOR 函数。指定所用神经网络单元的种类。
4-7 假定有个具有线性激励函数的神经网络，