2026年統(tǒng)計學(xué)期末考試題庫——統(tǒng)計軟件MATLAB神經(jīng)網(wǎng)絡(luò)分析試題及答案1.單選題（每題4分，共40分）1.1在MATLAB中，下列哪條命令可直接生成一個具有10個隱含神經(jīng)元、1個輸出神經(jīng)元的BP網(wǎng)絡(luò)？A.net=feedforwardnet(10);B.net=patternnet(10);C.net=fitnet(10);D.net=cascadeforwardnet(10);答案：C解析：fitnet用于回歸問題，隱含層神經(jīng)元數(shù)量由括號內(nèi)參數(shù)指定；feedforwardnet默認(rèn)生成空網(wǎng)絡(luò)，需手動配置；patternnet用于分類；cascadeforwardnet為級聯(lián)前向網(wǎng)絡(luò)結(jié)構(gòu)。1.2若訓(xùn)練集矩陣X大小為?847×12?，目標(biāo)矩陣T大小為?847×1?，下列哪條語句可在不引入額外工具箱的前提下完成數(shù)據(jù)歸一化？A.[Xn,PS]=mapminmax(X');Tn=mapminmax(T);B.Xn=zscore(X);Tn=zscore(T);C.[Xn,PS]=mapstd(X);Tn=mapstd(T);D.Xn=normalize(X,'range');Tn=normalize(T,'range');答案：A解析：mapminmax將數(shù)據(jù)線性映射到[?1,1]，需轉(zhuǎn)置X以按列歸一化；zscore按列去均值除標(biāo)準(zhǔn)差，但T為列向量無需轉(zhuǎn)置；mapstd與mapminmax用法不同；normalize函數(shù)屬于較新版本，部分舊版無此命令。1.3在訓(xùn)練BP網(wǎng)絡(luò)時，若驗(yàn)證集誤差連續(xù)6次迭代上升，MATLAB默認(rèn)觸發(fā)下列哪項(xiàng)操作？A.自動降低學(xué)習(xí)率B.自動停止訓(xùn)練C.切換到LM算法D.增加隱含層神經(jīng)元答案：B解析：默認(rèn)EarlyStop機(jī)制在驗(yàn)證誤差連續(xù)6次上升時終止訓(xùn)練，防止過擬合。1.4使用trainbr算法時，下列哪項(xiàng)描述正確？A.需要手動設(shè)置性能目標(biāo)goalB.貝葉斯正則化自動調(diào)整有效網(wǎng)絡(luò)參數(shù)C.每次迭代均計算Hessian顯式逆矩陣D.對內(nèi)存消耗不敏感答案：B解析：trainbr基于貝葉斯框架，在目標(biāo)函數(shù)中加入權(quán)重懲罰項(xiàng)，有效參數(shù)數(shù)量由算法自動推斷，無需goal；Hessian近似計算但非顯式求逆；大數(shù)據(jù)集下內(nèi)存占用高。1.5若net.divideParam.trainRatio=0.7;net.divideParam.valRatio=0.15;則測試集占比自動設(shè)為：A.0.15B.0.25C.0.30D.0.20答案：A解析：三者之和為1，測試集=1?0.7?0.15=0.15。1.6在patternnet訓(xùn)練完畢后，計算混淆矩陣的推薦命令為：A.plotconfusion(T_test,Y_test)B.confusionmat(T_test,Y_test)C.confusionchart(T_test,Y_test)D.cm=confusion(T_test,Y_test)答案：A解析：plotconfusion為神經(jīng)網(wǎng)絡(luò)工具箱內(nèi)置圖形函數(shù)，可自動顯示百分比與顏色梯度；confusionmat需額外計算分類結(jié)果；confusionchart為較新heatmap圖；無confusion函數(shù)。1.7若隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，則網(wǎng)絡(luò)整體映射具備：A.任意非線性逼近能力且輸出范圍[0,1]B.任意非線性逼近能力且輸出范圍(?∞,+∞)C.僅線性逼近能力D.輸出恒為正答案：B解析：tansig提供非線性，purelin使輸出無界，故整體可逼近任意連續(xù)函數(shù)且輸出范圍實(shí)數(shù)域。1.8在并行計算工具箱打開后，訓(xùn)練命令增加'UseParallel','yes'，主要加速哪一環(huán)節(jié)？A.數(shù)據(jù)歸一化B.梯度計算批量并行C.早停判斷D.權(quán)重初始化答案：B解析：訓(xùn)練循環(huán)中梯度計算占主要耗時，并行按mini-batch分塊；歸一化一次性完成；早停與初始化耗時低。1.9若net.performParam.regularization=0.5，性能函數(shù)變?yōu)椋篈.均方誤差+0.5×均值權(quán)重B.均方誤差+0.5×權(quán)重平方和C.交叉熵+0.5×權(quán)重平方和D.交叉熵+0.5×權(quán)重絕對值和答案：B解析：正則化項(xiàng)默認(rèn)mse+λ×∑w2，λ=0.5。1.10使用genFunction(net,'myNN')后，下列哪項(xiàng)描述錯誤？A.生成獨(dú)立m文件myNN.m，可在無神經(jīng)網(wǎng)絡(luò)工具箱環(huán)境運(yùn)行B.生成代碼包含歸一化映射常數(shù)C.網(wǎng)絡(luò)結(jié)構(gòu)被硬編碼，無法再訓(xùn)練D.生成函數(shù)支持GPU加速答案：D解析：genFunction生成純MATLAB代碼，無GPU調(diào)用；其余均正確。2.多選題（每題5分，共30分，多選少選均不得分）2.1下列哪些方法可有效降低BP網(wǎng)絡(luò)過擬合風(fēng)險？A.EarlystoppingB.貝葉斯正則化C.增加隱含層神經(jīng)元至500D.噪聲注入E.Dropout答案：A,B,D,E解析：增加神經(jīng)元反而提升過擬合風(fēng)險；其余均可抑制。2.2關(guān)于MATLAB中trainlm的特點(diǎn)，正確的是：A.采用Levenberg-Marquardt優(yōu)化B.內(nèi)存復(fù)雜度約O(N2)C.適合大數(shù)據(jù)集D.默認(rèn)性能函數(shù)為mseE.迭代步長隨μ自適應(yīng)調(diào)整答案：A,B,D,E解析：trainlm內(nèi)存隨權(quán)重平方增長，大數(shù)據(jù)集易溢出；C錯誤。2.3使用nntool打開圖形界面后，可完成的操作有：A.導(dǎo)入CSV并自動劃分訓(xùn)練/測試B.選擇傳遞函數(shù)C.實(shí)時觀察回歸圖D.導(dǎo)出網(wǎng)絡(luò)到SimulinkE.生成CUDA代碼答案：A,B,C,D解析：nntool無直接CUDA生成功能；需GPUCoder額外操作。2.4關(guān)于深度學(xué)習(xí)工具箱與神經(jīng)網(wǎng)絡(luò)工具箱區(qū)別，正確的是：A.前者支持layerGraph，后者僅支持shallownetB.兩者均可用trainNetwork訓(xùn)練C.前者可調(diào)用Adam，后者不可D.后者支持貝葉斯正則化，前者不支持E.兩者均可導(dǎo)入TensorFlow模型答案：A,C,D解析：trainNetwork僅用于深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)工具箱無法直接導(dǎo)入TF；TensorFlow導(dǎo)入需深度學(xué)習(xí)工具箱。2.5若需構(gòu)建1D-CNN用于近紅外光譜回歸，可使用的層包括：A.imageInputLayerB.sequenceInputLayerC.convolution1dLayerD.fullyConnectedLayerE.regressionLayer答案：B,C,D,E解析：1D-CNN用sequenceInputLayer；imageInputLayer針對2D。2.6下列哪些命令可查看網(wǎng)絡(luò)權(quán)重？A.net.IW{1,1}B.net.LW{2,1}C.net.b{1}D.net.layerWeights{1,1}E.net.inputWeights{1,1}答案：A,B,C解析：舊版網(wǎng)絡(luò)使用IW/LW/b；layerWeights等為圖形句柄屬性，非數(shù)值。3.填空題（每空3分，共30分）3.1若訓(xùn)練集含1350樣本，mini-batchsize設(shè)為50，則一個epoch需迭代27次。3.2命令?y,PS=mapminmax(x,0,1)?將x映射到區(qū)間[0,1]。3.3使用patternnet時，輸出節(jié)點(diǎn)數(shù)應(yīng)與目標(biāo)向量類別數(shù)相等。3.4trainbr的性能函數(shù)中，有效權(quán)重數(shù)量由Hessian近似矩陣的跡估計。3.5若net.layers{1}.transferFcn='logsig'，則隱含層輸出范圍(0,1)。3.6在genFunction生成代碼中，輸入變量需先減去PS.xoffset再除以?PS.gain?。3.7混淆矩陣對角線元素之和除以全部元素之和稱為分類準(zhǔn)確率。3.8若需將網(wǎng)絡(luò)保存為獨(dú)立.mat文件，命令為save('mynet.mat','net')。3.9使用sim(net,X)與net(X)等價，均執(zhí)行前向傳播。3.10在深度學(xué)習(xí)工具箱中，設(shè)置'ExecutionEnvironment','gpu'需顯卡計算能力≥3.5。4.綜合應(yīng)用題（共100分）4.1回歸建模（30分）某化工過程需建立溫度?T?與收率?Y?的模型，提供數(shù)據(jù)trainT（400×1）、trainY（400×1），測試集testT（97×1）、testY（97×1）。（1）編寫MATLAB腳本，采用貝葉斯正則化BP網(wǎng)絡(luò)，隱含層15個神經(jīng)元，傳遞函數(shù)tansig/purelin，訓(xùn)練最大1000epoch，目標(biāo)mse≤1×10?3，繪制訓(xùn)練性能曲線。（10分）（2）預(yù)測測試集，計算R2、RMSE、MAE并輸出。（10分）（3）使用genFunction生成獨(dú)立函數(shù)，并驗(yàn)證生成函數(shù)在testT上輸出與sim完全一致，最大差值<1×10?12。（10分）答案與解析：```matlab%%(1)x=trainT';t=trainY';net=fitnet(15,'trainbr');net.trainParam.epochs=1000;net.trainParam.goal=1e-3;net.trainParam.showWindow=false;[net,tr]=train(net,x,t);figure;plotperform(tr);%%(2)y_pred=net(testT');R2=1sum((testY'-y_pred).^2)/sum((testY'-mean(testY')).^2);RMSE=sqrt(mean((testY'-y_pred).^2));MAE=mean(abs(testY'-y_pred));fprintf('R2=%.4f,RMSE=%.4f,MAE=%.4f\n',R2,RMSE,MAE);%%(3)genFunction(net,'myYieldFunc');y_gen=myYieldFunc(testT');maxDiff=max(abs(y_geny_pred));assert(maxDiff<1e-12,'差異過大');```解析：trainbr自動調(diào)整正則化參數(shù)，無需驗(yàn)證集；genFunction生成代碼包含PS結(jié)構(gòu)體，確保映射一致；assert用于自動檢驗(yàn)。4.2分類診斷（35分）心臟病診斷數(shù)據(jù)集：trainX（303×13），trainYc為字符數(shù)組{'N','Y'}表示正常/患病，測試集testX（102×13）。（1）將標(biāo)簽轉(zhuǎn)為0/1向量，構(gòu)建patternnet，隱含層10神經(jīng)元，訓(xùn)練集70%、驗(yàn)證15%、測試15%，采用ScaledConjugateGradient，最大epoch2000，早停耐心30次，繪制混淆矩陣。（15分）（2）計算測試集靈敏度（Sensitivity）、特異度（Specificity）、F1-score。（10分）（3）采用10折交叉驗(yàn)證評估網(wǎng)絡(luò)穩(wěn)定性，輸出平均準(zhǔn)確率±標(biāo)準(zhǔn)差。（10分）答案與解析：```matlab%%(1)Yind=grp2idx(trainYc);%'N'=1,'Y'=2Ydummy=ind2vec(Yind);net=patternnet(10,'trainscg');net.divideParam.trainRatio=0.70;net.divideParam.valRatio=0.15;net.divideParam.testRatio=0.15;net.trainParam.epochs=2000;net.trainParam.max_fail=30;[net,tr]=train(net,trainX',Ydummy);plotconfusion(Ydummy(:,tr.testInd),net(trainX(:,tr.testInd)'));%%(2)Yp=net(testX');[~,pred]=max(Yp);[~,true]=max(ind2vec(grp2idx(testYc)));C=confusionmat(true,pred);TN=C(1,1);FP=C(1,2);FN=C(2,1);TP=C(2,2);Sens=TP/(TP+FN);Spec=TN/(TN+FP);F1=2TP/(2TP+FP+FN);fprintf('Sens=%.3f,Spec=%.3f,F1=%.3f\n',Sens,Spec,F1);%%(3)cv=cvpartition(Yind,'KFold',10);err=zeros(1,10);fork=1:10trIdx=cv.training(k);teIdx=cv.test(k);netk=train(net,trainX(trIdx,:)',Ydummy(:,trIdx));yk=netk(trainX(teIdx,:)');[~,pk]=max(yk);[~,tk]=max(Ydummy(:,teIdx));err(k)=sum(pk~=tk)/length(pk);endfprintf('CVacc=%.2f±%.2f%%\n',(1-mean(err))100,std(err)100);```解析：ind2vec將索引轉(zhuǎn)為one-hot；confusionmat計算經(jīng)典指標(biāo)；cvpartition實(shí)現(xiàn)分層抽樣，確保患病比例一致。4.3時間序列預(yù)測（35分）提供月度銷量數(shù)據(jù)sales.txt（單列180期），要求：（1）建立NARX網(wǎng)絡(luò)，輸入延遲1:4，反饋延遲1:4，隱含層8神經(jīng)元，訓(xùn)練集1:150，測試集151:180，采用貝葉斯正則化，最大epoch1000，繪制預(yù)測對比圖。（15分）（2）計算測試集MAPE。（5分）（3）使用循環(huán)，對比不同隱含層神經(jīng)元數(shù){5,8,11,14,17}對驗(yàn)證集誤差影響，繪制誤差棒圖，并選出最優(yōu)神經(jīng)元數(shù)。（10分）（4）將最優(yōu)網(wǎng)絡(luò)轉(zhuǎn)為閉環(huán)形式，預(yù)測未來12期并繪圖。（5分）答案與解析：```matlab%%(1)loadsales.txtX=num2cell(sales,1);net=narxnet(1:4,1:4,8,'trainbr');net.trainParam.epochs=1000;[x,xi,ai,t]=preparets(net,X,{},X);[net,tr]=train(net,x,t,xi,ai);y_pred=net(x,xi,ai);plot([cell2mat(t);NaN;cell2mat(y_pred)]);legend('真實(shí)','預(yù)測');%%(2)testIdx=151:180;ytest=sales(testIdx);[yclosed,xio,aio]=closeloop(net);[y2]=narxnet_predict(yclosed,sales,150,180,xio,aio);MAPE=mean(abs((ytest-y2)./ytest))*100;fprintf('MAPE=%.2f%%\n',MAPE);%%(3)hVec=[58111417];valErr=zeros(1,5);forh=1:5net=narxnet(1:4,1:4,hVec(h),'trainbr');[x,xi,ai,t]=preparets(net,X,{},X);[net,tr]=train(net,x,t,xi,ai);valErr(h)=tr.best_vperf;endfigure;errorbar(hVec,valErr,std(valErr)*ones(size(valErr)),'o');[~,bestH]=min(valErr);%%(4)netOpt=narxnet(1:4,1:4,hVec(bestH),'trainbr');[x,xi,ai,t]=preparets(netOpt,X,{},X);[netOpt]=train(netOpt,x,t,xi,ai);netCL=closeloo