2026年统计学期末考试题库-统计软件MATLAB神经网络分析试题及答案

2026年统计学期末考试题库——统计软件MATLAB神经网络分析试题及答案1.单选题（每题4分，共40分）1.1在MATLAB中，下列哪条命令可直接生成一个具有10个隐含神经元、1个输出神经元的BP网络？A.net=feedforwardnet(10);B.net=patternnet(10);C.net=fitnet(10);D.net=cascadeforwardnet(10);答案：C解析：fitnet用于回归问题，隐含层神经元数量由括号内参数指定；feedforwardnet默认生成空网络，需手动配置；patternnet用于分类；cascadeforwardnet为级联前向网络结构。1.2若训练集矩阵X大小为​847×12​，目标矩阵T大小为​847×1​，下列哪条语句可在不引入额外工具箱的前提下完成数据归一化？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将数据线性映射到[−1,1]，需转置X以按列归一化；zscore按列去均值除标准差，但T为列向量无需转置；mapstd与mapminmax用法不同；normalize函数属于较新版本，部分旧版无此命令。1.3在训练BP网络时，若验证集误差连续6次迭代上升，MATLAB默认触发下列哪项操作？A.自动降低学习率B.自动停止训练C.切换到LM算法D.增加隐含层神经元答案：B解析：默认EarlyStop机制在验证误差连续6次上升时终止训练，防止过拟合。1.4使用trainbr算法时，下列哪项描述正确？A.需要手动设置性能目标goalB.贝叶斯正则化自动调整有效网络参数C.每次迭代均计算Hessian显式逆矩阵D.对内存消耗不敏感答案：B解析：trainbr基于贝叶斯框架，在目标函数中加入权重惩罚项，有效参数数量由算法自动推断，无需goal；Hessian近似计算但非显式求逆；大数据集下内存占用高。1.5若net.divideParam.trainRatio=0.7;net.divideParam.valRatio=0.15;则测试集占比自动设为：A.0.15B.0.25C.0.30D.0.20答案：A解析：三者之和为1，测试集=1−0.7−0.15=0.15。1.6在patternnet训练完毕后，计算混淆矩阵的推荐命令为：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为神经网络工具箱内置图形函数，可自动显示百分比与颜色梯度；confusionmat需额外计算分类结果；confusionchart为较新heatmap图；无confusion函数。1.7若隐含层传递函数为tansig，输出层传递函数为purelin，则网络整体映射具备：A.任意非线性逼近能力且输出范围[0,1]B.任意非线性逼近能力且输出范围(−∞,+∞)C.仅线性逼近能力D.输出恒为正答案：B解析：tansig提供非线性，purelin使输出无界，故整体可逼近任意连续函数且输出范围实数域。1.8在并行计算工具箱打开后，训练命令增加'UseParallel','yes'，主要加速哪一环节？A.数据归一化B.梯度计算批量并行C.早停判断D.权重初始化答案：B解析：训练循环中梯度计算占主要耗时，并行按mini-batch分块；归一化一次性完成；早停与初始化耗时低。1.9若net.performParam.regularization=0.5，性能函数变为：A.均方误差+0.5×均值权重B.均方误差+0.5×权重平方和C.交叉熵+0.5×权重平方和D.交叉熵+0.5×权重绝对值和答案：B解析：正则化项默认mse+λ×∑w²，λ=0.5。1.10使用genFunction(net,'myNN')后，下列哪项描述错误？A.生成独立m文件myNN.m，可在无神经网络工具箱环境运行B.生成代码包含归一化映射常数C.网络结构被硬编码，无法再训练D.生成函数支持GPU加速答案：D解析：genFunction生成纯MATLAB代码，无GPU调用；其余均正确。2.多选题（每题5分，共30分，多选少选均不得分）2.1下列哪些方法可有效降低BP网络过拟合风险？A.EarlystoppingB.贝叶斯正则化C.增加隐含层神经元至500D.噪声注入E.Dropout答案：A,B,D,E解析：增加神经元反而提升过拟合风险；其余均可抑制。2.2关于MATLAB中trainlm的特点，正确的是：A.采用Levenberg-Marquardt优化B.内存复杂度约O(N²)C.适合大数据集D.默认性能函数为mseE.迭代步长随μ自适应调整答案：A,B,D,E解析：trainlm内存随权重平方增长，大数据集易溢出；C错误。2.3使用nntool打开图形界面后，可完成的操作有：A.导入CSV并自动划分训练/测试B.选择传递函数C.实时观察回归图D.导出网络到SimulinkE.生成CUDA代码答案：A,B,C,D解析：nntool无直接CUDA生成功能；需GPUCoder额外操作。2.4关于深度学习工具箱与神经网络工具箱区别，正确的是：A.前者支持layerGraph，后者仅支持shallownetB.两者均可用trainNetwork训练C.前者可调用Adam，后者不可D.后者支持贝叶斯正则化，前者不支持E.两者均可导入TensorFlow模型答案：A,C,D解析：trainNetwork仅用于深度学习；神经网络工具箱无法直接导入TF；TensorFlow导入需深度学习工具箱。2.5若需构建1D-CNN用于近红外光谱回归，可使用的层包括：A.imageInputLayerB.sequenceInputLayerC.convolution1dLayerD.fullyConnectedLayerE.regressionLayer答案：B,C,D,E解析：1D-CNN用sequenceInputLayer；imageInputLayer针对2D。2.6下列哪些命令可查看网络权重？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：旧版网络使用IW/LW/b；layerWeights等为图形句柄属性，非数值。3.填空题（每空3分，共30分）3.1若训练集含1350样本，mini-batchsize设为50，则一个epoch需迭代27次。3.2命令​y,PS=mapminmax(x,0,1)​将x映射到区间[0,1]。3.3使用patternnet时，输出节点数应与目标向量类别数相等。3.4trainbr的性能函数中，有效权重数量由Hessian近似矩阵的迹估计。3.5若net.layers{1}.transferFcn='logsig'，则隐含层输出范围(0,1)。3.6在genFunction生成代码中，输入变量需先减去PS.xoffset再除以​PS.gain​。3.7混淆矩阵对角线元素之和除以全部元素之和称为分类准确率。3.8若需将网络保存为独立.mat文件，命令为save('mynet.mat','net')。3.9使用sim(net,X)与net(X)等价，均执行前向传播。3.10在深度学习工具箱中，设置'ExecutionEnvironment','gpu'需显卡计算能力≥3.5。4.综合应用题（共100分）4.1回归建模（30分）某化工过程需建立温度​T​与收率​Y​的模型，提供数据trainT（400×1）、trainY（400×1），测试集testT（97×1）、testY（97×1）。（1）编写MATLAB脚本，采用贝叶斯正则化BP网络，隐含层15个神经元，传递函数tansig/purelin，训练最大1000epoch，目标mse≤1×10⁻³，绘制训练性能曲线。（10分）（2）预测测试集，计算R²、RMSE、MAE并输出。（10分）（3）使用genFunction生成独立函数，并验证生成函数在testT上输出与sim完全一致，最大差值<1×10⁻¹²。（10分）答案与解析：```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,'差异过大');```解析：trainbr自动调整正则化参数，无需验证集；genFunction生成代码包含PS结构体，确保映射一致；assert用于自动检验。4.2分类诊断（35分）心脏病诊断数据集：trainX（303×13），trainYc为字符数组{'N','Y'}表示正常/患病，测试集testX（102×13）。（1）将标签转为0/1向量，构建patternnet，隐含层10神经元，训练集70%、验证15%、测试15%，采用ScaledConjugateGradient，最大epoch2000，早停耐心30次，绘制混淆矩阵。（15分）（2）计算测试集灵敏度（Sensitivity）、特异度（Specificity）、F1-score。（10分）（3）采用10折交叉验证评估网络稳定性，输出平均准确率±标准差。（10分）答案与解析：```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将索引转为one-hot；confusionmat计算经典指标；cvpartition实现分层抽样，确保患病比例一致。4.3时间序列预测（35分）提供月度销量数据sales.txt（单列180期），要求：（1）建立NARX网络，输入延迟1:4，反馈延迟1:4，隐含层8神经元，训练集1:150，测试集151:180，采用贝叶斯正则化，最大epoch1000，绘制预测对比图。（15分）（2）计算测试集MAPE。（5分）（3）使用循环，对比不同隐含层神经元数{5,8,11,14,17}对验证集误差影响，绘制误差棒图，并选出最优神经元数。（10分）（4）将最优网络转为闭环形式，预测未来12期并绘图。（5分）答案与解析：```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('真实','预测');%%(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