Нейросетевые структуры и технологии. Часть 1. Электрические и математические модели нейронов. НС прямого распространения. Клюкин В.И - 23 стр.

      Контрольные вопросы и задачи
      1. Какие процессы в нервной клетке отражает структура ФН Мак-
Каллока–Питтса?
      2. Какие особенности имеют сигмоидальные функции активации?
      3. Какие стратегии обучения НС вы знаете? Каковы их особенности?
      4. Приведите структуру и алгоритм обучения персептрона.
      5. Почему проблему обучения нейрона можно свести к минимиза-
ции некоторой функции?
      6. Опишите достоинства и недостатки градиентных методов опти-
мизации.
      7. Почему «ADALINE» с функцией активации типа signum называ-
ют линейным нейроном?
      8. Каковы основные особенности структур нейронов «Instar» и
«Outstar» Гроссберга?
      9. Расскажите о структуре и правилах обучения нейрона Хебба.
      10. Какие методы преодоления расходимостей весов при обучении
по Хеббу вы знаете?
      11. В чем заключается механизм конкуренции и правила обучения
нейронов типа WTA?
      12. В чем заключается и как решается проблема «мертвых» нейронов
при обучении структур WTA?
      13. Укажите принципиальное отличие стохастической модели ней-
рона от остальных моделей и что это дает?
      14. Приведите алгоритм обучения стохастической модели нейрона?
      15. В чем заключается правило обучения Видроу–Хоффа?
      16. Определите область значений, выражение для производной и ее
значение в начале координат для функции активации типа алгебраической
сигмоиды f � u � �  u
                        .
                  1� u2
      17. Пусть х1, х2, … хN – компоненты вектора входных сигналов, пода-
ваемых на вход нейрона с порогом w0 и логистической функцией актива-
ции (табл. 2.1), где � – произволен. Как нужно изменить компоненты х1, х2,
… хN, чтобы получить на выходе прежний сигнал при � = 1?
      18. Нейрон j получает входной сигнал от четырех других нейронов,
уровни возбуждения которых равны 10; –20; 4; –2, а соответствующие веса
связей – 0,8; 0,2; –1,0; –0,9. Вычислите выходной сигнал нейрона, если его
функция активации:
      а) пороговая; б) линейная (с k = 1); в) логистическая (с � = 1).
      19. Покажите, в каких случаях ФН МакКаллока–Питтса можно ап-
проксимировать сигмоидальным нейроном?
      20. При каких условиях нейрон с сигмоидальной функцией актива-
ции может аппроксимировать линейный нейрон?

                                       23