第2章 模式识别的基本理论(3)

2022年电网人工智能选拔V2试卷和答案（3）共4种题型，共95题一、单选题(共40题)1.Tensorflow框架自带对网络结构等数据进行可视化的工具是A：VisdomB：FlaskC：VueD：以上选项均不正确【答案】：D2.下面哪一句话是正确的A：人工智能就是机器学习B：机器学习就是深度学习C：人工智能就是深度学习D：深度学习是一种机器学习的方法【答案】：D3.在pandas中以下哪个方法用于向csv文件中实现写入工作？A：to_csv()B：read_csv()C：to_excel()【答案】：A4.Notebook发布的模型类型为：（）A：PymodelB：BMLC：NotebookD：PalePale【答案】：A5.以下哪种神经网络技术可以用于语音识别的处理？A：卷积神经网络B：循环神经网络C：深层神经网络D：浅层神经网络【答案】：B6.下列选择中，哪个不是关键词提取常用的算法？A：TE-IDFB：LDAC：TextRankD：SSA【答案】：D7.以下哪个不是语音识别的范畴A：语音听写B：语音合成C：语音转写D：语音唤醒【答案】：B8.pandas的三个基本数据结构：Series、（）和IndexA：numpyB：listC：numberD：Dataframe【答案】：D9.下列哪个不是人工智能的研究领域（）。

A：机器证明B：模式识别C：人工生命D：编译原理【答案】：D10.对于分类任务,我们不是将神经网络中的随机权重初始化,而是将所有权重设为零。

下列哪项是正确的?()A：没有任何问题,神经网络模型将正常训练B：神经网络模型可以训练,但所有的神经元最终将识别同样的事情C：神经网络模型不会进行训练,因为没有净梯度变化D：这些均不会发生【答案】：B11.下列关于人工智能的叙述不正确的有（）A：人工智能技术它与其他科学技术相结合极大地提高了应用技术的智能化水平。

B：人工智能是科学技术发展的趋势。

大三心理学认知心理学的基本理论与研究方法心理学是一门关于人类及其行为和心理状态的科学研究领域。

而认知心理学是心理学的一个重要分支，它主要关注人类思维、学习、记忆和知觉等认知过程。

在大三学习心理学的过程中，我们不仅需要了解认知心理学的基本理论，还需要掌握一些研究方法。

本文将介绍大三心理学认知心理学的基本理论并讨论相关的研究方法。

一、认知心理学的基本理论1. 认知心理学的起源与发展认知心理学起源于20世纪中叶，它的发展离不开信息处理模型的提出。

信息处理模型认为人类的思维过程类似于计算机信息处理的过程，人类大脑接收输入信息，加工处理后输出反应。

这一理论为认知心理学的研究奠定了基础。

2. 认知心理学的研究对象及范畴认知心理学研究的对象主要是人类思维过程中的各个组成部分及其相互关系，包括知觉、注意、记忆、语言、问题解决、决策等。

它旨在揭示人类认知的本质与机制。

3. 认知心理学的三个重要理论- 信息加工理论：认为人类思维是通过信息加工的过程来实现的，包括接收信息、加工信息和输出反应。

- 模式识别理论：认为人类在认知过程中，会通过将输入信息与存储在记忆中的模式进行比较，以识别和理解信息。

- 心理表征理论：认为人类在进行认知活动时，会使用内部的心理表征进行信息表示和处理，这些表征可以是符号、图像或概念等形式。

二、认知心理学的研究方法1. 实验研究方法实验研究是认知心理学中应用最广泛的研究方法之一。

通过控制实验条件和操作变量，研究者可以观察到认知过程的变化，并从中得出结论。

实验设计、参与者筛选、数据收集和分析都是实验研究中需要注意的关键步骤。

2. 调查问卷法调查问卷法是一种收集大量数据的研究方法，适用于研究人们的认知态度、信念和行为等。

研究者可以设计合适的问题并向大量被试发放问卷，然后通过对问卷数据的统计分析来得出结论。

3. 观察法观察法是一种直接观察和记录被试行为和认知过程的研究方法。

研究者可以通过实地观察或视频录制等方式来获取数据，并根据观察结果进行分析和解释。

“模式识别(三).PDF”课件课后上机选做作业参考解答(武大计算机学院袁志勇, Email: yuanzywhu@) 上机题目：两类问题，已知四个训练样本ω1={(0,0)T,(0,1)T}；ω2={(1,0)T,(1,1)T}使用感知器固定增量法求判别函数。

设w1=(1,1,1)Tρk=1试编写程序上机运行(使用MATLAB、 C/C++、C#、JA V A、DELPHI等语言中任意一种编写均可)，写出判别函数，并给出程序运行的相关运行图表。

这里采用MATLAB编写感知器固定增量算法程序。

一、感知器固定增量法的MATLAB函数编写感知器固定增量法的具体内容请参考“模式识别(三).PDF”课件中的算法描述，可将该算法编写一个可以调用的自定义MATLAB函数：% perceptronclassify.m%% Caculate the optimal W by Perceptron%% W1-3x1 vector, initial weight vector% Pk-scalar, learning rate% W -3x1 vector, optimal weight vector% iters - scalar, the number of iterations%% Created: May 17, 2010function [W iters] = perceptronclassify(W1,Pk)x1 = [0 0 1]';x2 = [0 1 1]';x3 = [1 0 1]';x4 = [1 1 1]';% the training sampleWk = W1;FLAG = 0;% iteration flagesiters = 0;if Wk'*x1 <= 0Wk =Wk + x1;FLAG = 1;endif Wk'*x2 <= 0Wk =Wk + x2;FLAG = 1;endif Wk'*x3 >= 0Wk=Wk-x3;FLAG = 1; endif Wk'*x4 >= 0Wk =Wk -x4; FLAG = 1; enditers = iters + 1; while (FLAG) FLAG = 0; if Wk'*x1 <= 0Wk = Wk + x1; FLAG = 1; endif Wk'*x2 <= 0Wk = Wk + x2; FLAG = 1; endif Wk'*x3 >= 0 Wk = Wk - x3; FLAG = 1; endif Wk'*x4 >= 0 Wk = Wk - x4; FLAG = 1; enditers = iters + 1; endW = Wk;二、程序运行程序输入：初始权向量1W , 固定增量大小k ρ 程序输出：权向量最优解W , 程序迭代次数iters 在MATLAB 7.X 命令行窗口中的运行情况： １、初始化1[111]T W = 初始化W 1窗口界面截图如下：２、初始化1kρ=初始化Pk 窗口界面截图如下：３、在MATLAB 窗口中调用自定义的perceptronclassify 函数由于perceptronclassify.m 下自定义的函数文件，在调用该函数前需要事先[Set path…]设置该函数文件所在的路径，然后才能在命令行窗口中调用。

机器学习与模式识别》教学大纲课程编号： 071243B课程类型：□通识教育必修课□通识教育选修课■专业必修课□专业选修课□学科基础课总学时： 48 讲课学时： 32 实验（上机）学时： 16 学分： 3适用对象：计算机科学与技术专业先修课程：程序设计基础与应用、数据结构、高等数学、算法导论一、教学目标《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。

本课程是面向计算机技术开设的专业选修课。

其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。

模式识别部分是研究计算机模式识别的基本理论、方法和应用。

通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。

学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。

从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。

目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。

目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。

目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。

二、教学内容及其与毕业要求的对应关系（黑体，小四号字）本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov 模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。

2016年福建自考《认知心理学》考试大纲。

（二）模式识别识记：模板说、原型说、特征说应用：（1）模板说的核心思想认为在人的长时记忆中，贮存着许多各式各样的过去在生活中形成的外部模式的袖珍样本。

基本思想是刺激与模板匹配，而且这两种匹配要求两者有限度的重叠。

模板说的基本观点得到一些实验结果的支持。

（2）原型说认为在记忆贮存的不是与外部模式有一对一关系的模板，而是原型（Prototype）。

对于原型说来讲，关键点在于是否存在这种原型，目前已有一些实验结果提示原型确实存在。

（3）特征说认为，模式可以分解为诸特征。

照特征说来看，特征和特征分析在模式识别中起着关键的作用。

（三）结构优势效应识记：结构优势效应包括字词优势效应、客体优势效应、构型优势效应、字母优势效应。

这些效应都表明上下文，或者严格地说，整体的结构在模式识别中所起的有利的作用，可统称为结构优势效应。

第三章注意一、学习目的与要求通过本章的学习理解过滤器模型和衰减模型、反应选择模型与知觉选择模型。

明确中枢能量理论，认识控制性加工与自动加工。

二、考核知识点与考核目标（一）过滤器模型和衰减模型识记：过滤器模型是英国心理学家Broadbent于1958年提出的一个较早的注意模型。

Cherry应用追随程序所做的双听实验也支持过滤器模型。

识记：Treisman提出了衰减模型，并将阙限概念引入高级分析水平。

理解：（1）衰减模型（2）过滤器模型和衰减模型的共同点和不同点（二）反应选择模型与知觉选择模型识记：（1）反应选择模型以Deutsh为代表（2）反应选择模型与知觉选择模型主要差别在于对注意机制在信息加工系统中所处的位置有不同的看法。

理解：（1）反应选择模型（2）两类注意模型的比较（三）中枢能量理论理解：双作业操作识记：（1）一些心理学家并不设想一个瓶颈结构，即存在于某个位置的过滤器，而是将注意看做人能用于执行任务的数量有限的能量和资源，用这种能量或资源的分配来解释注意。

例2.2>> x=[ 0 0; 0 1;1 0; 0.5 4;1 3;1 5;1.5 4.5;6 4;6.5 5;7 4;7.5 7; 8 6;8 7];>> K=2;iter_max=80;sita_c=1;sita_s=0.7;sita_N=1; %各参数>> [y,z]=ISODATA(x,2,sita_N,sita_s,sita_c,iter_max) %算法函数y = 2 2 2 2 2 2 2 1 1 1 1 1 1%各样本对应的类别z =7.1667 5.5000 %聚类中心0.7143 2.5000>> K=4;>> y=ISODATA(x,4,sita_N,sita_s,sita_c,iter_max)y = 4 4 4 3 3 3 3 2 2 2 1 1 1%各样本对应的类别例2.5>> load mydata;>>a1=mean(x1);st1=std(x1); a2=mean(x2);st2=std(x2);>> x1=(x1-a1(ones(5,1),:))./st1(ones(5,1),:);>> x2=(x2-a2(ones(7,1),:))./st2(ones(7,1),:);>> re1=pcares(x1,1); re2=pcares(x2,1);%各类的残差>> s01=sum(sum1(re1))/(5-1-1)/(4-1)%第1类的总方差s01 =0.7147>> s02=sum(sum1(re2))/(7-1-1)/(4-1)%第2类的总方差s02 =0.7130>> s11=(sum1(re1')/3)'; s21=(sum1(re2')/3)';%每个样本的方差>> f01=((5/(5-1-1)).*s11./s01)'%类内样本分类的检验f01 = 2.2772 0.3195 1.1022 1.6946 0.3411>> f02=((7/(7-1-1)).*s21./s02)'f02 =1.5933 0.4055 0.2276 0.8672 1.6677 0.4185 1.8204>> [pc1,da1]=princomp(x1);%各类的主成分分解>> [pc2,da2]=princomp(x2);>> t1=(x3-a1(ones(3,1),:))*da1';%对未知样本计算得分向量值>> e1=x3-t1*da1;%未知样本残余向量>> s1=sum(e1')/3%未知样本残余方差s1 = 0.2976 3.0370 5.8752>> f=3.86*s01%判别计算式，3.86为F检验临界值f= 2.7692function y=sum1(x)[r,c]=size(x);if r==1y=0;for i=1:c;y=y+x(i)^2;endelsefor j=1:c;y(j)=0;for i=1:r;y(j)=y(j)+x(i,j)^2;end;endend例2.8>>load x; y1=aknn(x(1:5,:),x(6:10,:),sample)y1 =1 即来自乙地function y=aknn(x1,y1,sample) %ALKNN法函数d1=squareform(pdist(x1));d2=squareform(pdist(y1));a1=sort(d1,2);a2=sort(d2,2);[r1,c1]=size(x1);r2=size(y1,1);r3=size(sample,1);m=c1;for i=2:r1-1; g_k1(i-1)=0;for j=1:r1r=a1(j,i+1); v1=2*pi^(m/2)*r^m/(m*mfun('gamma',m/2)); p1(i,j)=(i-1)/((r1-1)*v1);g_k1(i-1)=g_k1(i-1)+log(p1(i,j));endg_k2(i-1)=0;for j=1:r2-1r=a2(j,i+1);v1=2*(2*pi)^(m/2)*r^m/(m*mfun('gamma',m/2));p2(i,j)=(i-1)/((r2-1)*v1);k2(i-1)=g_k2(i-1)+log(p2(i,j));endend[g_max1,k1]=max(g_k1);k1=k1+1; [g_max2,k2]=max(g_k2);k2=k2+1;%对各类求K值for i=1:r3a_sample=[sample(i,:);x1]; d1=squareform(pdist(a_sample));a_sample1=sort(d1,2);r_1=a_sample1(1,k1+1);v1=2*pi^(m/2)*r_1^m/(m*mfun('gamma',m/2));p1(i)=(k1-1)/((r1)*v1);b_sample=[sample(i,:);y1];d2=squareform(pdist(b_sample));b_sample1=sort(d2,2);r_2=b_sample1(1,k2+1);v2=2*pi^(m/2)*r_2^m/(m*mfun('gamma',m/2));p2(i)=(k2-1)/((r2)*v2);y(i)=p1(i)/(p1(i)+p2(i)); if y(i)>0.5;y(i)=0; else;y(i)=1;endend例2.10function y=f(x1,x2) %两类分类函数，返回分类函数系数r1=size(x1,1);r2=size(x2,1);xx=[x1;x2];y=[x1(1,:) 1];k1=0;c=size(y,1);flag=1;while k1<(r1+r2)if flag==1; s=2;else;s=1;endfor i=s:r1+r2t=0;for j=1:c; m=k(y(j,1:end-1),xx(i,:));t=t+y(j,end)*m;end %分类函数值if i<=r1 ;if t>0;k1=k1+1;else; y=[y;xx(i,:) 1];k1=0;end%第一类样本elseif t<0;k1=k1+1;else;y=[y;xx(i,:) -1];k1=0;end%第二类样本endc=size(y,1);endflag=2;endfunction y=k(x1,x2)%势函数y=exp(-sum((x1-x2).^2));例2.15function y=order(x)r=length(x);for i=1:r-1;for j=i+1:r;xx=[];xx=[xx x(i:j)];y(j,i)=f(xx);end;endy(end,r)=0;s=zeros(r-2,r-2);for k=2:r-1for l=k+1:rfor j=k:l;if k==2;d1(j)=y(j-1,1)+y(l,j);else;d1(j)=s(j-1,k-1)+y(l,j);end;endd1(1:k-1)=[];[s(l,k) g(l,k)]=min(d1);g(l,k)=g(l,k)+k-1;endends(1:2,:)=[];s(:,1)=[];g(1:2,:)=[];g(:,1)=[];for i=p-1:-1:1if i==p-1;g_order=g(end,i);for k=g_order:r;result(k)=i+1;endelse[a,b]=min(s(i+1:end,i));g_order1=g(b+2,i);for k=g_order1:g_order-1;result(k)=i+1;end g_order=g_order1;endendfor k=1:g_order-1;result(k)=k;endfunction y=f(x) %求直径函数r=length(x); x_mean=mean(x); y=0; for k=1:r;y=y+(x(k)-x_mean)^2; end。

1．什么是智能？智能有什么特征？答：智能可以理解为知识与智力的总和。

其中，知识是一切智能行为的基础，而智力是获取知识并运用知识求解问题的能力，即在任意给定的环境和目标的条件下，正确制订决策和实现目标的能力，它来自于人脑的思维活动。

智能具有下述特征：（1）具有感知能力（系统输入）。

（2）具有记忆与思维的能力。

（3）具有学习及自适应能力。

（4）具有行为能力（系统输出）。

2．人工智能有哪些学派？他们各自核心的观点有哪些？答：根据研究的理论、方法及侧重点的不同，目前人工智能主要有符号主义、联结主义和行为主义三个学派。

符号主义认为知识可用逻辑符号表达，认知过程是符号运算过程。

人和计算机都是物理符号系统，且可以用计算机的符号来模拟人的认知过程。

他们认为人工智能的核心问题是知识表示和知识推理，都可用符号来实现，所有认知活动都基于一个统一的体系结构。

联结主义原理主要是神经网络及神经网络间的连接机制与学习算法。

他们认为人的思维基元是神经元，而不是符号运算。

认为人脑不同于电脑，不能用符号运算来模拟大脑的工作模式。

行为主义原理为控制论及“感知—动作”型控制系统。

该学派认为智能取决于感知和行动，提出智能行为的“感知—动作”模式，他们认为知识不需要表示，不需要推理。

智能研究采用一种可增长的方式，它依赖于通过感知和行动来与外部世界联系和作用。

3．人工智能研究的近期目标和远期目标是什么？它们之间有什么样的关系？答：人工智能的近期目标是实现机器智能，即主要研究如何使现有的计算机更聪明，使它能够运用知识去处理问题，能够模拟人类的智能行为。

人工智能的远期目标是要制造智能机器。

即揭示人类智能的根本机理，用智能机器去模拟、延伸和扩展人类的智能。

人工智能的近期目标与远期目标之间并无严格的界限，二者相辅相成。

远期目标为近期目标指明了方向，近期目标则为远期目标奠定了理论和技术基础。

4．人工智能的研究途径有哪些？答：人工智能的研究途径主要有：（１）心理模拟，符号推演；（２）生理模拟，神经计算；（３）行为模拟，控制进化论。

让机器认识我《“认出”一个人》教学设计教学目标：1. 知识与技能：学生能够理解人脸识别技术的基本原理和应用场景。

学生能够掌握使用人脸识别软件的基本操作。

2. 过程与方法：学生能够通过案例分析，学习如何运用人脸识别技术解决实际问题。

学生能够通过小组合作，提高协作解决问题的能力。

3. 情感态度与价值观：激发学生对人脸识别技术的兴趣和好奇心。

引导学生认识技术应用的两面性，培养科技伦理意识。

教学重点难点：重点：人脸识别技术的基本原理和应用场景。

难点：人脸识别技术的实际应用及其中的伦理问题。

学情分析：学生已经具备了一定的信息技术基础，对新兴技术有一定的思考，但可能对于人脸识别技术的具体实现和伦理问题缺乏深入了解。

因此，教学中应注重理论与实践相结合，引导学生通过实际操作和案例分析来深化理解。

教学准备：人脸识别软件（如Face++等）相关案例资料多媒体教学设备小组协作工具新课导入：通过展示一些人脸识别技术在现实生活中的应用场景（如解锁、门禁系统等），激发学生兴趣，并引出本节课的主题——人脸识别技术。

新课讲授：知识点一：人脸识别技术的基本原理人脸识别技术是一种基于生物识别的技术，它通过计算机视觉和模式识别的方法，从一幅图像中自动识别出人脸，并对人脸的特征进行分析和比对，以实现身份验证和识别的目的。

人脸识别技术在现实生活中应用广泛，如安防监控、金融支付、智能家居等领域。

下面将详细介绍人脸识别技术的基本原理以及关键步骤。

人脸识别技术的基本原理可以分为三个部分：人脸检测、特征提取和特征匹配。

首先，人脸检测是识别过程的第一步。

在这一阶段，计算机需要从图像中准确找出人脸区域。

这可以通过使用基于皮肤色彩的方法、基于特征的方法或基于深度学习的方法等来实现。

其中，基于皮肤色彩的方法通过对人脸的肤色特征进行分析，从而检测出人脸；基于特征的方法主要依靠人脸的局部特征，如眼睛、鼻子等，进行检测；基于深度学习的方法，尤其是卷积神经网络（CNN）技术，目前在人脸检测领域取得了显著的性能。

模式识别实验报告_3第⼀次实验实验⽬的：1.学习使⽤ENVI2.会⽤MATLAB读⼊遥感数据并进⾏处理实验内容：⼀学习使⽤ENVI1.使⽤ENVI打开遥感图像（任选3个波段合成假彩⾊图像，保存写⼊报告）2.会查看图像的头⽂件（保存或者copy⾄报告）3.会看地物的光谱曲线（保存或者copy⾄报告）4.进⾏数据信息统计（保存或者copy⾄报告）5.设置ROI，对每类地物⾃⼰添加标记数据，并保存为ROI⽂件和图像⽂件（CMap贴到报告中）。

6.使⽤⾃⼰设置的ROI进⾏图像分类（ENVI中的两种有监督分类算法）（分类算法名称和分类结果写⼊报告）⼆MATLAB处理遥感数据（提交代码和结果）7.⽤MATLAB读⼊遥感数据（zy3和DC两个数据）8.⽤MATLAB读⼊遥感图像中ROI中的数据（包括数据和标签）9.把图像数据m*n*L（其中m表⽰⾏数，n表⽰列数，L表⽰波段数），重新排列为N*L的⼆维矩阵（其中N=m*n），其中N表⽰所有的数据点数量m*n。

（提⽰，⽤reshape函数，可以help查看这个函数的⽤法）10.计算每⼀类数据的均值（平均光谱），并把所有类别的平均光谱画出来(plot)（类似下⾯的效果）。

11.画出zy3数据中“农作物类别”的数据点（⾃⼰ROI标记的这个类别的点）在每个波段的直⽅图（matlab函数：nbins=50;hist(Xi,nbins)，其中Xi表⽰这类数据在第i波段的数值）。

计算出这个类别数据的协⽅差矩阵，并画出（figure,imagesc(C),colorbar）。

1.打开遥感图像如下：2.查看图像头⽂件过程如下：3.地物的光谱曲线如下：4.数据信息统计如下：（注：由于保存的txt⽂件中的数据信息过长，所以采⽤截图的⽅式只显⽰了出⼀部分数据信息）5.设置ROI，对每类地物⾃⼰添加标记数据，CMap如下:6.使⽤⾃⼰设置的ROI进⾏图像分类(使⽤⽀持向量机算法和最⼩距离算法），⽀持向量机算法分类结果如下：最⼩距离算法分类结果如下：对⽐两种算法的分类结果可以看出⽀持分量机算法分类结果⽐最⼩距离算法分类结果好⼀些。