人工智能导论练习题（下）

1.【单选题】以下不是正确置换的是（C） A. { a/x, f(b)/y, w/z }

B. { g(a)/x, f(b)/y }

C. { g(y)/x, f(x)/y }

D. {z/x, b/y }

2.【单选题】置换是一个形如{ t1/x1, t2/x2, …, tn/xn }的有限集合：xi可以是（B） A. 常量 B. 变元

C. 函数 D.谓词

3.【多选题】置换是一个形如{ t1/x1, t2/x2, …, tn/xn }的有限集合：其中ti是项，可以是（ABC）

A. 常量 B. 变量 C. 函数 D. 谓词

1.设C1、C2是两个无相同变元的子句，且L1、L2分别是C1、C2中的文字，若L1与~L2合一为σ，则称C12={C1σ-{L1σ}} ∪ {C2σ-{L2σ}}为C1与C2 的 二元归结式

2.设σ是公式集F的一个合一，如果对于F的任何一个合一θ，都存在替换λ，使得：θ=σ·λ，则称σ是F的 最一般合一

3.设有替换,θ={ f(y)/x, z/y },λ={ a/y, b/z },求： θ·λ是 {f(a)/x,b/y,b/z}

1.（T）任何一个可合一的非空有限公式集一定存在最一般合一

2.（T）最一般合一是唯一的

3.（T）最一般合一者：置换最少，限制最小，产生的置换结果最具一般性

4.（F）置换是一个形如{ t1/x1, t2/x2, …, tn/xn }的有限集合，xi可以循环出现在tj中

1.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论

2.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论

3.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论

4.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论

5.对下列各题分别证明G是否为F1,F2,…,Fn的逻辑结论

1.【多选题】博弈树算法包括（CD） A. A*算法 B. 与或树搜索 C. 极大极小分析法 D. α-β剪枝技术

2.【单选题】本原问题所对应的节点称为（B） A. 端节点 B. 终叶节点 C. 子节点 D. 父节点

3.【单选题】基于状态空间的搜索算法是（A） A. A*算法 B. 与或树搜索 C. 极大极小分析法 D. α-β剪枝技术

4.【单选题】状态空间的三元组（S，F，G）代表（C）

A. 算法符，初始状态集，目标状态集

B.目标状态集，初始状态集，算法符

C. 初始状态集，算法符，目标状态集

D. 初始状态集，目标状态集，算法符

5.【多选题】关于状态描述正确的是（AB） A. 描述事物的一组最少变量q0，q1，…，qn的有序集合

B. 表示问题解法中每一步问题状况的数据结构

C. 把问题从一种状态变换为另一种状态的手段集合

D.状态可以是走步、过程、规则、数学算子、运算符号或逻辑符号等

1.搜索是 依靠经验,利用已有知识,根据问题的实际情况,不断寻找可利用知识,从而构造一条代价最小的推理路线,使问题得以解决的过程

2.从问题的初始状态集，经过一系统列的算符运算，到达目标状态，所经过算符的序列叫 一个问题的解

3.把一个复杂问题分解或变换为一组本原问题的过程称作 归约

4.解树 可解节点的子图，这些节点能够证明其初始节点是可解的

1.（T）本原问题不需要再进行分解或变换便可以直接解决

2.（T）状态空间方法是以状态和算符为基础来表示和求解问题的知识表示方法

3.（T）问题归约从目标问题出发，将目标问题分解成若干子问题，直至最后把初始问题归约为本原问题集合

4.（T）终叶节点一定是端节点，但端节点不一定是终止节点

5.（F）将一个复杂的问题分解为几个子问题的过程称为分解。可用或树表示，将一个复杂的问题变换成若干个等价的问题的过程称为等价变换。可用与树表示

6.（T）智能搜索与搜索的区别在于可以利用搜索过程中的信息来引导搜索项向最优方发展

1.试用四元数列结构表示四圆盘梵塔问题，并画出求解问题的与或图

2.状态空间图与与或图有什么区别及联系？

（1）状态空间图是描述寻找目标或路径问题的有向图，即描述一个实体基 于事件反应的动态行为，显示了该实体如何根据当前所处的状态对不同的时间做出反应的。 （2）与或图是一-种系统地将问题分解为互相独立的小问题,然后分而解决的方法。 （3）与或图中有两种代表性的节点:“与节点"和“或节点",“与节点指所有的后续节点都有解时它才有解;“或节 点’指各个后续节点均完全独立,只要其中有一一个有解它就有解。

3.有一农夫带一条狼，一只羊和一框青菜与从河的左岸乘船倒右岸，但受到下列条件的限制：

(1) 船太小，农夫每次只能带一样东西过河；

(2) 如果没有农夫看管，则狼要吃羊，羊要吃菜。

请设计一个过河方案，使得农夫、浪、羊都能不受损失的过河，画出相应的状态空间图

1.【多选题】决定人工神经网络性能的三大要素是（ACD） A. 神经元的特性 B. 神经元个数 C. 神经元之间的连接形式，即拓扑结构 D.学习规则

1.多层前馈网络是指那种除拥有输入、输出层外，还至少含有一个、或更多个 隐含层

2.按拓扑结构分，人工神经网络可以分为 前馈网络 和 反馈网络

3.神经网络的工作方式有 同步 方式与 异步 方式

4.神经元的工作状态有 兴奋状态 和 抑制状态

5.1943年，麦克洛奇和皮兹提出 MP模型

1.（T）BP网络是多层前馈网络，Hopfield网络是全互联反馈网络

2.（T）单层前馈网络中，如果有i个输入，j个输出，则连接权值W可以表示成一个i*j的矩阵

3.（T）神经网络是一种隐式的知识表示方法

4.（F）卷积神经网络是Hopfield神经网络的延伸与拓展

5.（T）人工神经网络是对人脑或生物神经网络若干基本特 性的抽象和模拟

6.（T）由于的神经元的可塑性，突触的传递作用可以增强或者减弱，而机器学习的过程，也是神经元之间连接强度的变化过程

1.简述神经元模型工作过程是怎样的？

（1）从各输入端接收输入信号，包括外界刺激与 接收其它神经元的输出 （2）根据连接权值求出所有输入的加权和 （3）用非线性激励函数进行转换，得到输出

1.【多选题】BP算法的局限（ABCD） A. 计算量大，运算过程复杂 B. 通过Delta学习算法修正连接权值，会收敛到局部极小点 C. 最优隐层数与隐层神经元数不易确定 D.隐层多时，误差信号过小会影响权值的调整

2.【多选题】BP网络的优点是（ABC） A. 很好的逼近特性

B. 具有较强的泛化能力

C. 具有较好的容错性

D.收敛效率高

1.（F）BP神经网络层与层的连接是双的，信息的传播是单向的

2.（T）一定存在一个BP神经网络能够逼近给定的样本或者函数

1.简述BP算法的实现过程

(1)初始化:对所有连接权和阈值赋以随机任意小值; (2) 从N组输入输出样本中取一组样本: x=[x1， x2, .，. xp1]T， d=[d1， d2, .,. dpm]T, 把输入信息x=[x1，x2, .，. xp1] 到BP网络中; (3)正向传播:计算各层节点的输出; (4)计算网络的实际输出与期望输出的误差; (5)反向传播:从输出层方向计算到第一一个隐层，按连接权值修正公式向减小误差方向调整网络的各个连接权值; (6)让t+1→t,取出另一-组样本重复(2)一(5)，直到N组输入输出样本的误差达到要求时为止。

2.在BP学习算法实现时，应注意哪些问题？

(1)隐层数及隐层中神经元数的确定,无确定的指导方法，需要通过经验调整; (2)初始权值的设置,一般设为一 个均值为0的随机分所布初始权值; (3)训练数据的预处理，常使用线性特征比例变换把所有特征变换到[0,1].或者[-1.1]区间之间，使得在每个训练集上,每个特征的均值为0,并且具有相同的方差。 (4)后处理过程，当应用神经网络进行分类操作时，通常把输出值编码成所谓的名义变量，具体的值对应类别符号

3.请简要解释BP学习算法的正向传播与反向传播的含义？

（1）正向传播:输入信息由输入层传至隐层，最终在输出层输出。 （2）反向传播:修改各层神经元的权值，使误差信号最小。

4.BP学习算法的基本思想是什么？

BP学习算法的基本思想是调整权值，使得神经网络的实际输出能够逼近样本与函数的实际输出。

上一篇>>人工智能导论练习题（上）

下一篇>>人工智能导论期末复习题