21.01.2013 Test wielokrotnego wyboru z ujemnymi punktami!

Imię i nazwisko:
21.01.2013
Test wielokrotnego wyboru z ujemnymi punktami!
1. Model neuronu typu spiking nie uwzględnia
a) obecności dendrytów w biologicznej komórce nerwowej
b) dynamicznych procesów przekazywania informacji w biologicznym mózgu
c) obecności aksonu w biologicznej komórce nerwowej
2. Regulator histerezowy o niezerowej szerokości histerezy można zamodelować z dowolnie
założoną dokładnością sztuczną siecią neuronową (SSN)
a) jednokierunkową (nie-rekurencyjną) typu MLP/FFNN bez linii opóźnień (TDL) na sygnale
wejściowym
b) rekurencyjną (RNN)
c) jednokierunkową z dostatecznie długą linią opóźnień na sygnale wejściowym
3. Gradientową metodę uczenia SSN wykorzystującą wsteczną propagację błędu można
zastosować, gdy funkcją aktywacji jest
a) tansig
b) signum
c) funkcja Elliotta
4. Algorytm PSO
a) wykorzystuje informacje o gradiencie funkcji celu
b) jest w pełni deterministycznym algorytmem optymalizacyjnym
c) nie wymaga zdefiniowania funkcji celu dla optymalizowanego układu
5. W omawianym przykładzie strojenia układu regulacji dla napędu prądu stałego metodą PSO
cząstka przenosiła informację o
a) wzmocnieniach regulatorów
b) znamionowych parametrach maszyny
c) częstotliwości PWM
6. W podstawowym algorytmie Constricted PSO cząstki wymieniają miedzy sobą informacje o
a) pbest (particle’s best)
b) gbest (global best)
c) średniej prędkości roju
7. Projektując zbiór sygnałów wejściowych dla jednokierunkowej SSN odtwarzającej prędkość
kątową silnika indukcyjnego zwracaliśmy szczególną uwagę na
a) korelację tych sygnałów z sygnałem odtwarzanej prędkości
b) korelację tych sygnałów z sygnałem sinusoidalnym
c) wyraźne przesunięcie ich widma częstotliwościowego w prawą stronę w stosunku do
widma prędkości, tak aby możliwe było ich łatwe filtrowanie dolnoprzepustowe
8. Projektując zbiór sygnałów wejściowych dla jednokierunkowej SSN bez TDL odtwarzającej
składowe strumienia stojana silnika indukcyjnego
a) wystarczy posłużyć się wstępnym przetwarzaniem statycznym
b) potrzebne okazało się wstępne przetwarzanie dynamiczne
c) łatwiejszy w opracowaniu okazał się model Hammersteina
9. Principal component analysis (PCA) lub independent component analysis (ICA) mogą
posłużyć do
a) budowy ortogonalnej bazy dla SSN
b) zapewnienia stałości sygnałów wejściowych estymatora neuronowego w stanie
ustalonym napędu prądu przemiennego
c) generowania silnie skorelowanych ze sobą sygnałów wejściowych SSN
10. Dysponując wiedzą przekazaną przez eksperta w formie reguł postaci „Jeżeli…, to…” dot.
pożądanego zachowania się układu regulacji najłatwiej jest dokonać jego cyfrowej syntezy
posługując się
a) fuzyfikacją i defuzyfikacją
b) SSN
c) logiką boolowską
11. Omawiany FLC prędkości kątowej silnika był systemem
a) niederministycznym
b) deterministycznym
c) liniowym
12. Projektując rozmyty regulator prędkości dla napędu prądu stałego z kaskadową regulacją
momentu i prędkości przyjęliśmy, że sygnałem wyjściowym bloku FL będzie zmiana sygnału
sterującego. Oznacza to, że
a) wyjście bloku FL po odpowiednim przeskalowaniu stanowiło moment zadany dla
regulatora podrzędnego
b) jedynym wejściem bloku FL była zmiana uchybu sterowania
c) wymagana była defuzyfikacja (wyostrzanie)
13. Jednym ze sposobów ograniczania obszaru poszukiwań dla roju cząstek (dot. PSO) jest
a) ściana odbijająca
b) ściana przyspieszająca
c) ściana pochłaniająca
14. Projektując układy regulacji dla napędu elektrycznego sięgamy po szeroko rozumiane
narzędzia inteligencji obliczeniowej (takie jak SSN, PSO, FL), gdy
a) metody opracowane dla układów LTI okazują się niewystarczające
b) regulacja PI daje satysfakcjonujące wyniki, ale zależy nam na bardziej efektywnym
obliczeniowo kodzie regulatora
c) nie dysponujemy żadną informacją w postaci numerycznej (liczbowej) o obiekcie