mooc模式识别_2课后答案(慕课2023课后作业答案)

分类：小学发布于：2024-06-02 12:20:38ė53886次浏览622条评论

mooc模式识别_2课后答案(慕课2023课后作业答案)

第一章绪论

第一章绪论部分的模式慕课单元测试

1、下列关于模式识别的识别说法中,错误的是( )
A、人类的课后课后日常活动中包含很多模式识别的活动.
B、模式可以看作对象的答案答案组成成分或影响因素间存在的规律性关系
C、模式识别研究的作业问题就是如何通过机器实现样本的特征提取
D、对外界事物完成分类的模式慕课过程也就完成了识别的过程

2、下列属于非监督识别的识别是
A、车牌识别
B、课后课后汉字识别
C、答案答案人脸识别
D、作业CT图像的模式慕课分割

3、关于监督模式识别与非监督模式识别的识别描述错误的是
A、监督模式识别需要训练样本
B、课后课后非监督模式识别对样本的答案答案分类结果是唯一的
C、监督模式识别需要设计分类器
D、作业非监督模式识别是根据样本之间的相似性进行分类的

4、若已知特征的情况下,一定可以通过模式识别方法得到特征和类别之间的对应关系.

5、在模式识别中，样本的特征构成特征空间，特征数量越多越有利于分类。

6、一个典型的模式识别系统由原始数据获取与预处理、特征提取与选择、分类器设计或聚类、后处理四部分组成。

7、已知一定数量的数据,就可以通过监督模式识别来实现类别的划分

第二章贝叶斯决策理论

贝叶斯决策理论测试（一）

1、贝叶斯决策是通过计算样本后验概率的大小来进行决策的，下面表达式中wi代表类别，x代表样本，能够表示后验概率的是（）
A、P（wi）
B、P（x）
C、P(x|wi)
D、P(wi|x)

2、下面关于基于最小风险的贝叶斯决策的描述中，错误的是（）
A、最小风险的贝叶斯决策考虑到了不同的错误率所造成的不同损失。
B、最小错误率的贝叶斯决策是最小风险的贝叶斯决策的特例。
C、最小风险的贝叶斯决策当中，决策的数量和样本类别的数量一定是相等的。
D、条件风险反映了对于一个样本x采用某种决策时所带来的损失。

3、基于最小错误率的贝叶斯决策规则可以采用不同的形式，下列不能表达其决策规则的是（）
A、后验概率
B、似然比
C、类条件概率
D、先验概率

4、基于最小错误率的贝叶斯决策的核心思想是将样本判别为后验概率最大的类别。

5、如果在采取每一个决策或行动时，都使条件风险最小，则对所有的x做出决策时，其期望风险也必然最小。

6、最小风险的贝叶斯决策的判别规则是将样本x判别为条件风险最小的那个类别。

7、错误率是所有服从同样分布的独立样本上错误概率的平均值。

贝叶斯决策理论单元测试（二）

1、下面关于正态分布的贝叶斯决策中描述错误的是（）
A、正态分布概率密度函数的两个主要参数是均值和方差
B、当各类的协方差矩阵相等并且是对角阵时，各类样本落入以均值为中心，同样大小的超球体内。
C、当各类的协方差矩阵相等并且是对角阵时，判别函数本质上是一个线性判别函数。
D、当各类的协方差矩阵相等时，分类面为超平面，并且与两类的中心连线垂直。

2、二分分类器可以看作是计算一个简单的判别函数g（x），并根据结果的符号对x进行分类的机器。

3、贝叶斯分类器中只有一个判别函数。

4、符合正态分布的两类样本的分类面的位置与先验概率无关。

5、在多元正态分布中，区域的中心由均值来决定。

6、相邻两个决策区域的决策面上的判别函数值是相等的。

第三章概率密度函数的估计

概率密度函数的估计的单元测试

1、下面关于最大似然估计的说法中错误的是（）
A、在最大似然估计中要求各个样本必须是独立抽取的。
B、最大似然估计是在已知概率密度函数的形式，但是参数未知的情况下，利用训练样本来估计未知参数。
C、在最大似然函数估计中，要估计的参数是一个不确定的量。
D、在最大似然估计中，可以使用对数形式的似然函数来进行估计。

2、下列表达中不能影响贝叶斯估计结果的是（）
A、损失函数的形式
B、样本的数量
C、待估计参数的后验概率
D、数据的线性变换

3、最大似然函数估计认为最有可能出现的样本就是似然函数最大的样本。

4、贝叶斯估计中是将未知的参数本身也看作一个随机变量，要做的是根据观测数据对参数的分布进行估计。

5、在贝叶斯学习的过程中，训练样本数量越多，估计值越接近与真实值。

6、随着训练样本数的增多，待估计参数的函数会趋近于δ函数。

7、贝叶斯估计的方法类似于贝叶斯决策，也需要定义损失函数。

第四章线性分类器

第二讲线性判别函数的基本概念随堂测验

1、超平面的法线方向与判别函数的权向量的方向是垂直的

2、分类面的位置是由判别函数的阈值决定的

第三讲 Fisher线性判别随堂测验

1、好的投影方向应该使不同类别的样本均值之差尽量大，类内的样本尽量聚集。

2、经过fisher准则投影后得到的最佳投影方向是投影后两类样本分类面的法线方向。

关于fisher线性判别准则的测验

1、下面关于fisher线性判别准则的说法中错误的是
A、fisher线性判别方法可以将样本从多维空间投影到一维空间
B、将样本从多维空间向一维空间投影的方向是不唯一的。
C、经过fisher准则投影后得到的最佳投影方向就是投影后两类样本的分类面
D、好的投影方向应该使不同类别的样本均值之差尽量大，类内的样本尽量聚集。

2、在基于样本直接设计分类器时，不属于分类器设计三要素的是
A、判别函数的类型
B、准则函数的形式
C、寻优算法
D、参数的类型

3、在线性判别函数的表达式中，一般情况下，权向量w的维数和样本的维数是一致的。

4、分类面的位置是由判别函数的阈值决定的。

5、经过fisher准则投影后得到的最佳投影方向是投影后两类样本分类面的法线方向。

关于感知器算法和最小平方误差判别的测验

1、下面关于感知器算法的说法正确的是（）
A、样本经过增广化处理后样本和权向量的维数都会增加一维。
B、在解空间中满足aTyi>0的条件的解向量是唯一的。
C、感知器算法的思想是选择一个合适的权向量a，使得aT与错分样本的乘积大于零。
D、在感知器算法中的学习率是不可改变的。

2、下面关于最小平方误差判别的说法中错误的是（）
A、最小平方误差判别方法既适用于线性可分的情况，也适用于线性不可分的情况。
B、最小平方误差判别方法中的准则函数是误差长度的平方和。
C、梯度下降法求解使误差长度的平方和最小的权值时不需要赋初值。
D、梯度下降法和伪逆法都可以求解使误差长度的平方和最小的权值。

3、在感知器算法中可以通过梯度下降法找到合适的权向量a。

4、在求解权向量a的过程中，需要定义一个准则函数，准则函数的形式是唯一的，并且一定是权向量a的函数。

5、最小平方误差判别方法中的准则函数是误差长度的平方和。

6、在LMS算法中求解出的权向量与常数b无关。

7、感知器准则函数是用权向量a与所有的错分样本的乘积来表示对错分样本的惩罚。

8、在感知器算法中感知器准则函数取得最大值时所对应的权向量a就是所要寻找的合适的权向量。

第五章非线性分类器

单元测试（一）

1、下面关于分段线性判别函数的说法中错误的是
A、分段线性判别函数能够逼近任意的超曲面，具有很强的适应性。
B、分段线性距离分类器在类别的各个维度不对称的情况下，分类结果是不准确的。
C、在类别的各个维度不对称的情况下，可以考虑使用分段线性距离分类器。
D、在分段线性判别函数的设计当中很重要的一个问题是子类的划分问题。

2、下面关于二次判别函数的说法中，错误的是
A、每一类样本都满足高斯分布，可以定义每一类的判别函数为样本到各类均值的马氏距离的平方与给定阈值之间的比较。
B、当每一类均符合高斯分布时，可以通过调整二次判别函数中的阈值来减少错误率。
C、如果其中一类分布比较接近高斯分布，即分布为团状，而另外一类则较均匀的分布在第一类附近，只求出一类的判别函数就可以进行类别的划分。
D、如果一类分布比较接近高斯分布，即分布为团状，而另外一类则较均匀的分布在第一类附近，需要分别求出每一类的判别函数来进行类别的划分。

3、在类别数量未知的情况下，可以采用二分树的方式进行分类器设计。

4、基于距离的分段线性分类器将每一类分成若干子类，也就是各类别里每一个峰代表一个子类，在每个峰里选一个代表点，可以用每个峰的中心来作为代表点。

5、在使用二分树进行分类器设计的时候，初始权值对分类结果没有影响。

单元测试（二）

1、下面关于多层神经网络的说法中，错误的是
A、多层神经网络由输入层、隐藏层和输出层组成。
B、多层神经网络的各层神经元之间通过可修正的权值互联。
C、多层神经网络的同一层的神经元之间通过可修正的权值互联。
D、多层神经网络可以实现非线性判别。

2、下面关于激活函数的说法中错误的是
A、隐含层或输出层具有激活函数。
B、输入层没有激活函数。
C、同一神经网络的激活函数必须是相同的。
D、同一神经网络的隐含层和输出层的激活函数可以不同。

3、下面关于BP神经网络的说法中错误的是
A、BP网络是是一种按误差反向传播算法训练的多层前馈网络。
B、BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。
C、在BP算法中数据流的正向传播时，数据的传播方向是输入层→隐层→输出层。
D、在BP算法中数据的正向传播和误差的反向传播是同时进行的。

4、在误差的反向传播过程中，是通过调整权值使得全局误差最小。

5、在BP算法中，学习率选的越大，收敛速度越快。

6、单个感知器可以实现线性分类。

7、神经元是神经网络的基本组成单元。

8、BP算法由误差的正向传播和数据的反向传播两个过程构成。

单元测试（三）

1、下面关于神经网络参数的说法错误的是
A、在选择神经网络的层数时，隐藏层的层数应该是越少越好。
B、神经网络的模型受到神经元的传递函数、网络结构和连接权值的学习这三个因素的影响。
C、在多层前馈网络中，若隐层节点数量太少，会出现欠学习的问题。
D、在多层前馈网络中，若隐层节点数量太少，会出现过学习的问题。

2、下面关于利用神经网络进行分类的说法中错误的是
A、利用神经网络对两类问题进行分类时，可以用一个输出节点来实现。
B、神经网络实现多类问题的分类时可以用多个神经网络组合来实现。
C、利用神经网络来实现多类问题的分类时，可以采用一个具有的多个输出节点的神经网络来实现。
D、在利用神经网络进行分类时，神经网络的输入节点的个数多于输入的特征数量。

3、在利用神经网络进行分类时，神经网络的输入节点的个数等于输入的特征数量。

4、在神经网络对多类问题分类时，可以用少数的输出节点实现多数的类别划分。

5、过学习问题是指神经网络在训练样本集上的误差很小，但是在独立的测试样本集上误差很大。

第六章其他分类方法

近邻法的测试

1、近邻法是一种有监督学习

2、近邻法对模板数量没有要求，模板数量对分类性能影响不大

3、近邻法需要较大计算量和存储量

4、剪辑近邻法可以同时减少数据存储量和计算量

第七章决策树

决策树的测试

1、决策树学习是无监督学习

2、一个数据集只能生成一种决策树

3、ID3方法的目的是降低系统信息熵

4、随机森林算法是基于自举思想的一种决策树改进算法

第八章非监督模式识别

非监督模式识别测试题

1、聚类分析算法属于有监督学习

2、无监督学习不需要训练集就可以进行

3、分级聚类方法需要进行迭代运算

4、C均值算法是基于相似性度量的

第九章特征选择和特征提取

特征选择的测试题目

1、下面关于特征选择的说法中，错误的是：
A、特征选择不仅可以降低特征空间的维度，还可以消除特征之间的相关性
B、基于类内类间距离的可分性判据是通过计算各类特征向量之间的平均距离来作为评价准则。
C、基于类内类间距离的可分性判据的值越大，说明可分离性越好。
D、当各类的协方差矩阵相差不大时，采用基于类内类间距离的可分性判据的效果会好一些。

2、下面关于分支定界法的说法中，错误的是：
A、分枝定界法也是一种特征选择的最优算法。
B、分枝定界法是一种自顶向下的方法，具有回溯的过程。
C、分枝定界法是一种自顶向下的方法，没有回溯的过程。
D、分枝定界法的计算量与具体问题和数据有关

3、在特征选择中，有两个很重要的方面，一个是特征的评价准则，另外一个是特征的寻优算法。

4、可以利用分类器错误率的大小作为设定特征评价准则的依据。

5、穷举法是一种基本的特征选择最优算法。

特征提取的单元测试

1、下面关于特征提取的说法中错误的是:
A、特征提取不仅可以降低特征空间的维度，还可以消除特征之间的相关性。
B、特征提取是通过特征变换将原来的高维特征转换为低维特征。
C、PCA算法是通过变换矩阵得到原有特征的线性组合，新特征之间是线性相关的。
D、特征提取的过程是通过训练样本求取特征变换矩阵的过程。

2、下面关于PCA的说法中，错误的是：
A、PCA算法是从一组特征中计算出一组按重要性从大到小排列的新特征，它们是原有特征的线性组合，并且相互之间是不相关的。
B、主成分分析的目的是将多个原始特征压缩为互不相关的少数综合特征的过程。
C、通过PCA方法得到的新特征能够完全表达原始特征的信息。
D、主成分分析方法需要计算原始特征的协方差矩阵或自相关矩阵。

3、在K-L变换中不同的正交向量系会对应不同的均方误差，在选择时应该选择使均方误差最小的正交向量系。

4、可以通过计算K-L变换的产生矩阵的本征值来得到相应的正交变换系。

5、当原始特征的均值不为0时，主成分分析方法和K-L变换方法是等价的。

期末考试

模式识别期末考试试卷

1、下列关于模式识别的说法中,错误的是
A、人类的日常活动中包含很多模式识别的活动
B、模式可以看作对象的组成成分或影响因素间存在的规律性关系
C、模式识别研究的问题就是如何通过机器实现样本的特征提取
D、对外界事物完成分类的过程也就完成了识别的过程

2、贝叶斯决策是通过计算样本后验概率的大小来进行决策的，下面表达式中wi代表类别，x代表样本，能够表示后验概率的是
A、P（x）
B、P（wi|x）
C、P（wi）
D、P（x|wi）

3、下列表达中不能影响贝叶斯估计结果的是
A、损失函数的形式
B、样本的数量
C、待估计参数的后验概率
D、数据的线性变换

4、下列关于感知器算法的说法中错误的是
A、在感知器算法中的学习率是可以改变的
B、在感知器算法中可以通过调整学习率p来减少迭代次数。
C、在感知器算法中，如果样本不是线性可分的，则算法最后不会收敛。
D、感知器算法也适用于线性不可分的样本

5、下面关于BP神经网络的说法错误的是
A、BP网络是是一种按误差反向传播算法训练的多层前馈网络。
B、BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。
C、BP算法由误差的正向传播和数据的反向传播两个过程构成。
D、在BP算法中数据的正向传播和误差的反向传播是交替进行的。

6、在利用神经网络进行分类时，神经网络的输入节点的个数______输入的特征数量。
A、少于
B、等于
C、多于
D、不确定

7、下面不能用来度量概率距离的参数是
A、散度
B、Chernoff界限
C、Bhattacharyya距离
D、欧式距离

8、下面关于错误率的说法中错误的是
A、在监督模式识别系统中，可以用错误率来反映模式识别系统的性能。
B、在实际当中，人们主要采用实验方法来估计监督模式识别系统中分类器的错误率。
C、在实际当中，人们主要采用理论分析的方法来评价监督模式识别系统中分类器的错误率。
D、训练错误率并不能准确反映分类器性能的好坏。

9、下面关于BP神经网络的说法错误的是
A、BP网络是是一种按误差反向传播算法训练的多层前馈网络。
B、BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。
C、BP算法由误差的正向传播和数据的反向传播两个过程构成。
D、在BP算法中数据的正向传播和误差的反向传播是交替进行的。

10、下面关于熵的说法中，错误的是
A、在基于熵的可分性判据中利用熵的大小来作为类别可分性的判据。
B、熵表示不确定性，熵越小不确定性越大。
C、熵表示不确定性，熵越大不确定性越大。
D、基于熵的可分性判据中，判据的值越大，说明类别可分性越差。

11、下面关于PCA算法的说法中错误的是
A、PCA算法是通过变换矩阵得到原有特征的线性组合，新特征之间是线性相关的。
B、第一主成分是原始特征的所有线性组合里是方差最大的。
C、第一主成分和第二主成分是互不相关的。
D、通过PCA方法得到的特征变换矩阵是由协方差矩阵所对应的最大的几个特征值所得到的特征向量构成的。

12、下列属于监督模式识别的是
A、字符识别
B、人脸识别
C、车牌识别
D、图像分割

13、基于最小错误率的贝叶斯决策规则可以采用不同的形式，下列能表达其决策规则的是
A、后验概率
B、似然比
C、类条件概率
D、先验概率

14、下列关于最小风险的贝叶斯决策的说法中正确的有
A、最小风险的贝叶斯决策考虑到了不同的错误率所造成的不同损失
B、最小错误率的贝叶斯决策是最小风险的贝叶斯决策的特例
C、最小风险的贝叶斯决策当中，决策的数量和样本类别的数量一定是相等的
D、条件风险反映了对于一个样本x采用某种决策时所带来的损失

15、下面关于最大似然估计的说法中正确的是
A、在最大似然估计中要求各个样本必须是独立抽取的。
B、最大似然估计是在已知概率密度函数的形式，但是参数未知的情况下，利用训练样本来估计未知参数。
C、在最大似然函数估计中，要估计的参数是一个确定的量。
D、在最大似然函数估计中，要估计的参数是一个随机量。

16、在基于样本直接设计分类器时，属于分类器设计三要素的是
A、判别函数的类型
B、准则函数的形式
C、寻优算法
D、参数的类型

17、下面关于最小平方误差判别的说法中正确的是
A、最小平方误差判别方法适用于线性可分与线性不可分的情况
B、最小平方误差判别方法中的准则函数是误差长度的平方和。
C、最小平方误差判别方法就是寻找使误差长度的平方和最大的权值。
D、在最小平方误差判别中可以使用梯度下降法来求解

18、神经网络的模型受到哪些因素的影响
A、传递函数
B、网络结构
C、连接权值的学习
D、样本的数量

19、下面关于特征选择与提取的说法中正确的是
A、在分类时，特征越多越有利于分类。
B、在不影响分类效果的前提下，特征越少越有利于分类。
C、在特征选择中，有两个很重要的方面，一个是特征的评价准则，另外一个是特征的寻优算法。
D、特征选择不仅可以降低特征空间的维度，还可以消除特征之间的相关性。

20、下面关于基于类内类间距离的可分性判据的说法中正确的是
A、基于类内类间距离的可分性判据的值越大，说明可分离性越好。
B、基于类内类间距离的可分性判据的值越小，说明可分离性越好。
C、当各类的协方差矩阵相差很大时，采用基于类内类间距离的可分性判据的效果会好一些。
D、当各类的协方差矩阵相差很小时，采用基于类内类间距离的可分性判据的效果会好一些。

21、下面关于分支定界法的说法中正确的是
A、分枝定界法是一种自顶向下的方法，具有回溯的过程。
B、分枝定界法的计算量与具体问题和数据有关。
C、分枝定界法是一种自顶向下的方法，没有回溯的过程。
D、分枝定界法也是一种特征选择的最优算法。

22、下面关于分段线性判别函数的说法中正确的是
A、在类别的各个维度不对称的情况下，可以考虑使用分段线性距离分类器。
B、具有推广性的分段线性分类器是对各个子类分别定义一个线性判别函数，判别时将样本划分到判别函数最大的子类所属的类别。
C、分段线性判别函数能够逼近任意的超曲面，具有很强的适应性。
D、分段线性判别函数能够只能逼近平面或超平面。

23、下面关于神经网络的说法中正确的是
A、单个感知器可以实现线性分类。
B、神经元是神经网络的基本组成单元。
C、多层神经网络由输入层、隐藏层和输出层组成。
D、多个感知器可以解决非线性问题的分类。

24、下面算法中不属于特征选择的次优算法的是
A、顺序前进法
B、顺序后退法
C、穷举法
D、分支定界法

25、感知器算法适用于线性可分的情况。

26、感知器准则函数是用权向量a与所有的错分样本的乘积来表示对错分样本的惩罚。

27、符合正态分布的两类样本的分类面的位置与先验概率无关。

28、在最小风险的贝叶斯决策当中不需要计算样本的后验概率。

29、如果在采取每一个决策或行动时，都使条件风险最小，则对所有的x做出决策时，其期望风险也必然最小。

30、在模式识别中，样本的特征构成特征空间，特征数量越多越有利于分类

31、fisher线性判别方法可以将样本从多维空间投影到一维空间。

32、样本经过增广化处理后样本和权向量的维数都会增加一维。

33、最小平方误差判别方法就是寻找使误差长度的平方和最小的权值。

34、无监督学习不需要训练集就可以进行

35、ID3方法可以确保生成最优的决策树

36、近邻法需要较大计算量和存储量

37、自举法的基本思想是,从原始样本集中进行多次自举抽样,目的就是为了模仿从总体中得到多个同样大小的样本集,从每个自举样本集得到一个估计,用多个估计的平均作为最后的估计结果。

38、特征的提取和选择对分类器的性能也有很大的影响。

39、基于距离的分段线性分类器将每一类分成若干子类，也就是各类别里每一个峰代表一个子类，在每个峰里选一个代表点，可以用每个峰的中心来作为代表点。

40、当每一类均符合高斯分布时，可以通过调整二次判别函数中的阈值来减少错误率。

41、隐含层或输出层具有激活函数。

42、C均值算法是基于相似性度量的

43、先剪枝可以有效解决过拟合问题，但是后剪枝不能

44、分级聚类又叫层次聚类，需要构建聚类树

45、过拟合不会影响分类模型的泛化能力

46、如果一类分布比较接近高斯分布，即分布为团状，而另外一类则较均匀的分布在第一类附近，需要分别求出每一类的判别函数来进行类别的划分。

47、过学习问题是指神经网络在训练样本集上的误差很小，但是在独立的测试样本集上误差很大。

48、从性能上看，决策树算法优于k近邻算法。

49、利用神经网络对两类问题进行分类时，可以用一个输出节点来实现。

50、一个典型的模式识别系统由原始数据获取与预处理、特征提取与选择、分类器设计或聚类、后处理四部分组成。