V1:14. Рекуррентные сети на базе персептрона
I: ТЗ № 216
S: В рекуррентном многослойном персептроне входной вектор сети состоит из
+: входных и выходных сигналов, объединяемых во входной вектор сети
-: входных и выходных сигналов, объединяемых в выходной вектор сети
-: входных сигналов и весов, объединяемых во входной вектор сети
-: выходных сигналов и весов, объединяемых в выходной вектор сети
I: ТЗ № 217
S: Входной вектор рекуррентного многослойного персептрона не состоит из
-: входных и выходных сигналов, объединяемых во входной вектор сети
+: входных и выходных сигналов, объединяемых в выходной вектор сети
+: входных сигналов и весов, объединяемых во входной вектор сети
+: выходных сигналов и весов, объединяемых в выходной вектор сети
I: ТЗ № 218
S: Рекуррентный многослойный персептрон определяется набором (N, P, K), где
+: N – 1 - количество задержек входного сигнала
+: P - количество задержек выходного сигнала
+: K - количество нейронов скрытого слоя
-: N - количество нейронов скрытого слоя
I: ТЗ № 219
S: Рекуррентный многослойный персептрон определяется набором (N, P, K), где
+: N – 1 - количество задержек входного сигнала
-: P - количество нейронов скрытого слоя
-: K - количество задержек выходного сигнала
-: N - количество задержек входного сигнала
I: ТЗ № 220
S: Рекуррентный многослойный персептрон определяется набором (N, P, K), где
-: N - количество задержек входного сигнала
+: P - количество задержек выходного сигнала
+: K - количество нейронов скрытого слоя
-: P - количество нейронов выходного слоя
I: ТЗ № 221
S: В сети RMLP по формуле определяется взвешенная сумма сигналов
+: выходного нейрона
-: входного нейрона
-: i-го нейрона скрытого слоя
-: всех нейронов скрытого слоя
I: ТЗ № 222
S: В сети RMLP по формуле определяется взвешенная сумма сигналов
-: выходного нейрона
-: входного нейрона
+: i-го нейрона скрытого слоя
-: всех нейронов скрытого слоя
I: ТЗ № 223
S: В сети RMLP взвешенная сумма сигналов выходного нейрона определяется как
-:
+:
-:
-:
I: ТЗ № 224
S: В сети RMLP взвешенная сумма сигналов i-го нейрона скрытого слоя определяется как
+:
-:
-:
-:
I: ТЗ № 225
S: Сеть Эльмана существует обратная связь между … слоями
+: скрытым и входным
-: выходным и скрытым
-: выходным и входным
-: скрытым и выходным
I: ТЗ № 226
S: В сети Эльмана не существует обратной связи между … слоями
-: скрытым и входным
+: выходным и скрытым
+: выходным и входным
+: скрытым и выходным
I: ТЗ № 227
S: Нейроны выходного слоя сети Эльмана связываются
-: с скрытым и входным слоем
-: только с нейронами входного слоя
+: только с нейронами скрытого слоя
-: сами с собой
I: ТЗ № 228
S: Рекуррентная сеть реального времени определяется набором (N, K, K), где
+: N - количество входных узлов
-: K- количество задержек выходного сигнала
+: K - количество нейронов скрытого слоя
-: N - количество выходных узлов
I: ТЗ № 229
S: Рекуррентная сеть реального времени определяется набором (N, K, K), где
+: N - количество входных узлов
-: K- количество весов выходного сигнала
+: K - количество нейронов скрытого слоя
-: N - количество весов входного слоя
I: ТЗ № 230
S: Состояние нейронов сети RTRN определяется формулами
+: и
-: и
-: и
-: и
I: ТЗ № 231
S: Формулы … не определяют состояние нейронов сети RTRN
-: и
+: и
+: и
+: и
I: ТЗ № 232
Q: Алгоритм обучения Вильяма-Зипсера состоит из этапов
1: Выбрать случайные начальные значения весов сети
2: Рассчитать состояние всех нейронов для очередного момента времени
3: Рассчитать значения величин dyi(k)/dw
4: Уточнить значения весов по алгоритму наискорейшего спуска
V1.15. Радиальные нейронные сети
I: ТЗ № 232
S: